Você está na página 1de 233

RENATA RIBEIRO DO VALLE GONÇALVES

DESENVOLVIMENTO DE MODELOS NUMÉRICOS BASEADOS EM SÉRIES


TEMPORAIS DE DADOS AGROCLIMÁTICOS E ESPECTRAIS APLICADOS AO
PLANEJAMENTO REGIONAL DE PRODUÇÃO DE CANA-DE-AÇÚCAR

CAMPINAS

2014

i
ii
UNIVERSIDADE ESTADUAL DE CAMPINAS

Faculdade de Engenharia Agrícola

RENATA RIBEIRO DO VALLE GONÇALVES

“DESENVOLVIMENTO DE MODELOS NUMÉRICOS BASEADOS EM SÉRIES


TEMPORAIS DE DADOS AGROCLIMÁTICOS E ESPECTRAIS APLICADOS AO
PLANEJAMENTO REGIONAL DE PRODUÇÃO DE CANA-DE-AÇÚCAR”

Tese apresentada à Faculdade de Engenharia Agrícola da


Universidade Estadual de Campinas como parte dos
requisitos exigidos para a obtenção do título de Doutora em
Engenharia Agrícola, na área de Concentração de
Planejamento e Desenvolvimento Rural Sustentável.

Orientador: Prof. Dr. JURANDIR ZULLO JUNIOR

Co-Orientador: Dra. LUCIANA ALVIM SANTOS ROMANI

ESTE EXEMPLAR CORRESPONDE À VERSÃO FINAL DA


TESE DEFENDIDA PELA ALUNA RENATA RIBEIRO DO
VALLE GONÇALVES E ORIENTADA PELO PROF. DR.
JURANDIR ZULLO JUNIOR

CAMPINAS

2014

iii
iv
Folha de Aprovação

v
vi
RESUMO

A produção de cana-de-açúcar no Brasil possui função cada vez mais estratégica na economia
do país devido ao interesse da substituição de combustíveis fósseis por fontes de energia
renováveis, como o etanol, com o propósito de diminuir as emissões de gases de efeito estufa
(GEEs). Nesse sentido, é importante a proposição de soluções inovadoras e tecnologicamente
viáveis para auxiliar a geração de modelos mais eficientes, objetivos, precisos, antecipados e
adequados ao monitoramento e previsão das safras nacionais. Esse trabalho teve o objetivo
principal de desenvolver modelos numéricos que avaliam a tendência da produção de cana-de-
açúcar em escala regional utilizando dados agroclimáticos e espectrais de baixa resolução
espacial. Áreas produtoras de cana-de-açúcar foram selecionadas e dados de produção, área e
produtividade referentes ao período de 2001 a 2010 foram utilizados. As imagens do satélite
AVHRR/NOAA foram processadas e corrigidas automaticamente permitindo a obtenção de
perfis temporais mensais do índice de vegetação NDVI, temperatura de superfície e albedo. As
condições agroclimáticas, ao longo do período de análise, foram descritas pelo índice
agroclimático ISNA. As séries de dados foram avaliadas por meio de técnicas de análise de
séries temporais multivariadas utilizando os métodos de agrupamentos K-Means, K-Medoids e
Clarans. Com estes métodos de agrupamentos, foi possível identificar e mapear áreas de
plantio de cana-de-açúcar e sua expansão. Modelos de previsão de produção da cultura foram
gerados pelo método de regressão linear múltipla utilizando dados de área plantada e dos
índices NDVI e ISNA. A partir dos modelos gerados, foi possível avaliar o comportamento da
variação da produção para o modelo regional de mudanças climáticas ETA/CPTEC em um
cenário de alta emissão de gases de efeito estufa para o ano de 2020. Ao utilizar satélites de
baixa resolução espacial, é mais difícil evidenciar a diferença entre tipos de plantios de cana-
de-açúcar, mas neste trabalho, realizado com a técnica de agrupamento de dados, mesmo
ocorrendo mistura espectral, foi possível acompanhar a evolução da cultura ao longo das
safras identificando regiões com padrões semelhantes. Desta maneira, a análise de
agrupamentos pode melhorar a compreensão do desenvolvimento da cana-de-açúcar e sua
expansão para outras regiões do país. Os modelos gerados para estimar a produção de cana-de-
açúcar em relação aos dados de área plantada e dos índices NDVI e ISNA apresentaram
coeficientes de correlação (R2) em torno de 0,9 e conseguiram estimar os valores de produção
para todo estado de São Paulo com precisão. Os modelos gerados para anos mais secos, no

vii
período de dezembro a março, indicaram que a produção de cana-de-açúcar tende a aumentar
em torno de 3,5%. Para anos mais chuvosos, no mesmo período, a produção tende a aumentar
em torno de 1,6% no ano de 2020, independentemente da área plantada. Os resultados obtidos
são úteis para o planejamento agrícola em escala regional, pois permitem acompanhar o
desenvolvimento e a produção da cana-de-açúcar de forma objetiva e sistemática a partir de
dados fornecidos por sensores remotos, estações agroclimáticas e modelos de mudanças
climáticas.

Palavras-chave: sensoriamento remoto, NDVI, ISNA, série temporal, mineração de dados,


análise multivariada, monitoramento de safras.

viii
ABSTRACT

The sugarcane production in Brazil has increasingly strategic role in the economy due to the
interest of replacing fossil fuels with renewable energy sources such as ethanol, in order to
reduce emissions of greenhouse gases (GHGs). In this sense, it is important to propose
innovative and technologically feasible solutions to assist the generation of more efficient,
objective, accurate, anticipated and appropriate models to the monitoring and forecasting of
national crop. The main objective of this work was to develop numerical models that assess
the trend of sugarcane production on a regional scale using agroclimatic and spectral data of
lower spatial resolution. Producing areas of sugarcane were selected and data production, area
and yield were used for the period 2001-2010. The images from satellite AVHRR/NOAA
were processed and automatically corrected and subsequently were obtained monthly temporal
profiles of NDVI vegetation index, surface temperature and albedo. The climatic conditions
during the period of analysis, were described by WRSI agroclimatic index. The data sets were
analyzed by techniques of multivariate time series analysis using the methods of clusters K-
Means, K-Medoids and Clarans. With these clustering methods, it was possible to identify and
map the expansion of areas planted with sugarcane. Predictive models of crop production were
generated by multiple linear regression analysis using data from cropland and NDVI and
WRSI indices. From the generated models, it was possible to evaluate the behavior of the
variation in production for regional climate change model ETA/CPTEC in a scenario of high
emission of greenhouse gases for the year 2020. It is more difficult to highlight the difference
between types of plantings of sugarcane using low spatial resolution satellites, but this work
with technical data clustering, even occurring spectral mixture, it was possible to follow the
evolution of the culture over the crops identifying regions with similar patterns. Thus, the
cluster analysis can improve understanding of the development of sugarcane and its expansion
to other regions of the country. The models for estimating the production of sugarcane with
the data of planted area and NDVI and WRSI indices showed a correlation coefficient (R2)
around 0.9 and were able to estimate the values of production for the entire state of São Paulo
accurately. The models for the driest years in the period from December to March, indicated
that the production of sugarcane tends to increase around 3.5%. Wettest years in the same
period, production tends to increase around 1.6% in 2020, regardless the cultivated area. The
results are useful for agricultural planning at the regional scale because they allow to monitor

ix
the development and production of sugarcane objectively and systematically from data
provided by remote sensors, agroclimatic stations and climate change models.

Keywords: remote sensing, NDVI, WRSI, time series, data mining, multivariate analysis,
crop monitoring.

x
SUMÁRIO

RESUMO ..................................................................................................................................vii

ABSTRACT ............................................................................................................................... ix

SUMÁRIO .................................................................................................................................. xi

AGRADECIMENTOS ............................................................................................................xvii

LISTA DE FIGURAS .............................................................................................................. xix

LISTA DE TABELAS ............................................................................................................ xxv

LISTA DE SIGLAS ..............................................................................................................xxvii

1 INTRODUÇÃO ................................................................................................................... 1

1.1 JUSTIFICATIVA ......................................................................................................... 2

1.2 HIPÓTESE CIENTÍFICA ............................................................................................ 4

1.3 OBJETIVO ................................................................................................................... 4

1.3.1 Objetivo Geral ............................................................................................................ 4

1.3.2 Objetivos Específicos ................................................................................................. 4

2 REVISÃO DA LITERATURA ........................................................................................... 5

2.1 CANA-DE-AÇÚCAR .................................................................................................. 5

2.2 AVHRR/NOAA ............................................................................................................ 8

2.3 DADOS AGROCLIMÁTICOS .................................................................................. 13

2.4 CENÁRIOS FUTUROS DE MUDANÇAS CLIMÁTICAS...................................... 16

2.4.1 Modelo ETA/CPTEC .......................................................................................... 18

2.4.2 Mudanças Climáticas e a Cana-de-açúcar ........................................................... 19

2.5 MINERAÇÃO DE DADOS ....................................................................................... 20

3 METODOLOGIA .............................................................................................................. 25

3.1 SELEÇÃO DAS ÁREAS PRODUTORAS DE CANA-DE-AÇÚCAR .................... 27

xi
3.2 DADOS ESPECTRAIS ................................................................................................... 27

3.3 DADOS AGROCLIMÁTICOS ....................................................................................... 30

4 ANÁLISE DOS DADOS .................................................................................................. 33

4.1 AVALIAÇÃO DA RELAÇÃO ENTRE A RESPOSTA ESPECTRAL, DADOS


AGROCLIMÁTICOS E VALORES DE PRODUÇÃO DE CANA-DE-AÇÚCAR ............ 33

4.2 MONITORAMENTO E MAPEAMENTO DA CANA-DE-AÇÚCAR ......................... 35

4.2.1 Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante o


ano-safra a partir da maior área produtora......................................................................... 35

4.2.2 Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante o


ano-safra com base na área total produtora ....................................................................... 38

4.2.3 Agrupamento do NDVI para acompanhamento anual da cana-de-açúcar no período


de 2001 a 2010 ................................................................................................................... 40

4.2.4 Agrupamento do NDVI, temperatura de superfície e albedo para mapeamento da


cana-de-açúcar. .................................................................................................................. 41

4.3 MODELOS NUMÉRICOS DE PREVISÃO DA PRODUÇÃO DE SAFRAS DE


CANA-DE-AÇÚCAR NA ESCALA REGIONAL .............................................................. 43

4.4 ESTIMATIVA DA PRODUÇÃO DE CANA-DE-AÇÚCAR UTILIZANDO O


MODELO REGIONAL DE MUDANÇAS CLIMÁTICAS ETA/CPTEC........................... 45

5 RESULTADOS E DISCUSSÕES ..................................................................................... 47

5.1 RESULTADOS DA AVALIAÇÃO DA RELAÇÃO ENTRE A RESPOSTA


ESPECTRAL, DADOS AGROCLIMÁTICOS E VALORES DE PRODUÇÃO DE CANA-
DE-AÇÚCAR ........................................................................................................................ 47

5.2 RESULTADOS DO MONITORAMENTO E MAPEAMENTO DA CANA-DE-


AÇÚCAR .............................................................................................................................. 67

5.2.1 Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante o


ano-safra a partir da maior área produtora......................................................................... 67

5.2.2 Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante o


ano-safra com base na área total produtora ....................................................................... 83

xii
5.2.3 Agrupamento do NDVI para acompanhamento anual da cana-de-açúcar no período
de 2001 a 2010 ................................................................................................................... 90

5.2.4 Agrupamento do NDVI, temperatura de superfície e albedo para mapeamento da


cana-de-açúcar ................................................................................................................. 116

5.3 RESULTADOS DOS MODELOS NUMÉRICOS DE PREVISÃO DA PRODUÇÃO


DE SAFRAS DE CANA-DE-AÇÚCAR NA ESCALA REGIONAL................................ 130

5.3.1 Modelo numérico 2001/2002 ................................................................................. 130

5.3.2 Modelo numérico 2002/2003 ................................................................................. 133

5.3.3 Modelo numérico 2003/2004 ................................................................................. 136

5.3.4 Modelo numérico 2004/2005 ................................................................................. 138

5.3.5 Modelo numérico 2005/2006 ................................................................................. 141

5.3.6 Modelo numérico 2006/2007 ................................................................................. 143

5.3.7 Modelo numérico 2007/2008 ................................................................................. 146

5.3.8 Modelo numérico 2008/2009 ................................................................................. 148

5.4 RESULTADOS DA ESTIMATIVA DA PRODUÇÃO DE CANA-DE-AÇÚCAR


UTILIZANDO O MODELO REGIONAL DE MUDANÇAS CLIMÁTICAS ETA/CPTEC.
............................................................................................................................................. 151

6 CONCLUSÕES ............................................................................................................... 163

REFERÊNCIAS ...................................................................................................................... 167

APÊNDICE ............................................................................................................................. 181

xiii
xiv
Aos meus queridos pais,
Aloísio e Flávia,
Ofereço.

Ao Renato,
minha vida, sabedoria,
alegria, meu amor!
Dedico.

xv
xvi
AGRADECIMENTOS

Gostaria de agradecer a todas as pessoas que de alguma forma me ajudaram a desenvolver


minha tese.

Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico, CNPq, pelo apoio


financeiro.

Ao Professor Jurandir Zullo Junior, pela orientação, aprendizado, incentivos e apoio ao longo
do trabalho.

À Pesquisadora Luciana Alvim Santos Romani, pela co-orientação, convivência, aprendizado


e incentivos.

Ao Centro de Pesquisas Meteorológicas e Climáticas Aplicadas à Agricultura pela


infraestrutura disponível. Agradeço ao Professor Hilton Silveira Pinto, Edilene Carneiro,
Claudir Rodrigues, Solange Kahl, Joaquim Toledo, Gustavo Coral e bolsistas pela ajuda
recebida.

À Faculdade de Engenharia Agrícola pela oportunidade de qualificação e aprendizado


profissional e à Coordenadoria de Pós-Graduação.

Aos membros da Banca Examinadora, Eduardo Delgado Assad, Nelson Jesuz Ferreira, Maria
Angela Fagnani e Vania Rosa Pereira, pelas críticas e sugestões que contribuíram para a
melhoria do meu trabalho.

Às amigas Ana Ávila, Camila Dourado, Andrea Koga, Michele Cristina, e em especial a
Priscila Coltri e Wal Alfonsi pelas palavras amiga, convivência e aprendizado.

Ao pessoal do ICMC/USP São Carlos, em especial, ao Bruno Amaral, Daniel Chino, Elaine
Sousa e Agma Traina, pela implementação do SatImagExplorer e pela ajuda no processamento
e mineração dos dados.

xvii
Ao pessoal da Embrapa Informática Agropecuária, Tais Peron, João Paulo da Silva, Silvio
Evangelista e Adriano Otavian, pela ajuda computacional e estatística dos dados.

Ao pessoal da Embrapa Meio Ambiente, Tadeu Lana e Elias Almeida, pela ajuda no
processamento do balanço hídrico. À Pesquisadora Emília Hamada, de maneira especial, pelos
ensinamentos, encorajamento, apoio e conselhos na minha vida profissional e pessoal.

Ao Canasat pelos dados do mapeamento da cana-de-açúcar.

Ao Agritempo pelos dados climáticos de estação meteorológica e do sistema TRMM do


estado de São Paulo.

Ao CPTEC/INPE pelos dados do modelo regional de mudanças climáticas ETA/CPTEC.

E principalmente, à minha querida família, meu pai, Aloísio, minha mãe, Flávia, meus irmãos
Guilherme e Raquel, meus avós queridos, tios (as), primos (as) e Renato, pelo amor, paciência,
compreensão e dedicação constante. Cada página desta tese foi escrita com incentivo de cada
um de vocês.

xviii
LISTA DE FIGURAS

Figura 1: Mapa das áreas onde se concentram as plantações e usinas de cana-de-açúcar. Fonte:
UNICA (2011). ............................................................................................................................ 6
Figura 2: Gráfico de produção de cana-de-açúcar em São Paulo, no Sudeste e no Brasil de
1993 a 2011. Fonte: IBGE (2013). .............................................................................................. 6
Figura 3: Imagens do AVHRR/NOAA processadas para o estado de São Paulo contendo dados
de Composição Máxima de NDVI (A), Albedo (B) e Temperatura de Superfície (C), em
março de 2009. .......................................................................................................................... 12
Figura 4: Processo de mineração de séries temporais de dados climáticos e imagens de satélite.
Adaptado de ROMANI (2010). ................................................................................................. 22
Figura 5: Cinquenta municípios maiores produtores de cana-de-açúcar do estado de São Paulo
no período 2001-2011 (IBGE, 2013). ........................................................................................ 25
Figura 6: Fluxograma geral das etapas do trabalho. .................................................................. 26
Figura 7: Área de plantio de cana-de-açúcar no estado de São Paulo em 2010 segundo o
projeto Canasat/INPE. ............................................................................................................... 28
Figura 8: Municípios com dados de estação meteorológica no período 2001-2011 do estado de
São Paulo segundo o Agritempo. .............................................................................................. 31
Figura 9: Agrupamento dos municípios similares em relação ao NDVI, clima, produtividade e
área plantada. ............................................................................................................................. 34
Figura 10: Quatro etapas do monitoramento e mapeamento das áreas de plantio de cana-de-
açúcar no estado de São Paulo utilizando séries temporais de dados espectrais, agroclimáticos,
de área plantada e de produção da cultura. ................................................................................ 36
Figura 11: Etapa 1 - Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar
durante o ano-safra 2002/2003 na maior área produtora de São Paulo. .................................... 37
Figura 12: Maior região produtora de cana-de-açúcar no estado, destacando o mapeamento dos
talhões de cana-de-açúcar. ......................................................................................................... 38
Figura 13: Etapa 2 - Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar
durante o ano-safra em toda área produtora de São Paulo. ....................................................... 39
Figura 14: Etapa 3 - Agrupamento do NDVI para o acompanhamento anual da cana-de-açúcar
no período de 2001 a 2010. ....................................................................................................... 41

xix
Figura 15: Etapa 4 - Agrupamento do NDVI, temperatura de superfície e albedo para
mapeamento da área plantada de cana-de-açúcar. ..................................................................... 42
Figura 16: Etapas do processamento das séries temporais visando o desenvolvimento de
modelos numéricos aplicados ao planejamento regional da cana-de-açúcar. ........................... 43
Figura 17: Dendrograma com ligação simples e coeficiente de correlação de distância das
variáveis. .................................................................................................................................... 48
Figura 18: Agrupamento das variáveis área plantada, produtividade e NDVI máximo para os
50 municípios maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009. ...... 51
Figura 19: Gráfico com número de municípios produtores em cada classe do agrupamento. .. 52
Figura 20: Agrupamento das variáveis produtividade e NDVI máximo para os 50 municípios
maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009. .............................. 55
Figura 21: Gráfico com número de municípios produtores em cada classe do agrupamento. .. 56
Figura 22: Agrupamento das variáveis área plantada, produtividade e NDVI máximo e clima
para 16 municípios produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009. ............ 59
Figura 23: Gráfico com número de municípios produtores em cada classe do agrupamento. .. 61
Figura 24: Agrupamento das variáveis produtividade e NDVI máximo e clima para 16
municípios maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009. ........... 64
Figura 25: Gráfico com número de municípios produtores em cada classe do agrupamento. .. 66
Figura 26: Imagens MVC mensal de NDVI e agrupamento de NDVI (2 grupos) da maior
região produtora de cana-de-açúcar de São Paulo para os meses de Abril de 2002 a Março de
2003. .......................................................................................................................................... 82
Figura 27: Agrupamento de NDVI (5 grupos) da cana-de-açúcar de São Paulo para os meses
de Abril de 2004 a Março de 2005. ........................................................................................... 89
Figura 28: Perfil temporal dos agrupamentos de NDVI (5 grupos) da cana-de-açúcar de São
Paulo para os meses de Abril de 2004 a Março de 2005. .......................................................... 90
Figura 29: Agrupamentos pelo K-Means com função de distância DTW e perfis temporais de
cada grupo para cada ano-safra no período de 2001/2002 a 2009/2010. ................................ 100
Figura 30: Agrupamentos pelo K-Medoids com função de distância DTW e perfis temporais
de cada grupo para cada ano-safra no período de 2001/2002 a 2009/2010. ............................ 110
Figura 31: Agrupamento pelo K-Means com função de distância DTW para década (2001-
2010). ....................................................................................................................................... 114

xx
Figura 32: Perfis temporais de cada grupo do agrupamento feito com o K-Means com função
de distância DTW para a década de (2001-2010).................................................................... 114
Figura 33: Agrupamento pelo K-Medoids com função de distância DTW para década (2001-
2010) ........................................................................................................................................ 115
Figura 34: Perfis temporais de cada grupo do agrupamento feito com o K-Medoids com
função de distância DTW para a década (2001-2010). ........................................................... 115
Figura 35: Agrupamentos de NDVI, temperatura de superfície e albedo pelo K-Means com
função de distância DTW para cada ano-safra no período de 2001/2002 a 2009/2010. ......... 122
Figura 36: Perfis temporais de cada grupo do agrupamento do NDVI pelo K-Means com
função de distância DTW para a década de 2000. ................................................................... 122
Figura 37: Perfis temporais de cada grupo do agrupamento da temperatura de superfície pelo
K-Means com função de distância DTW para a década de 2000. ........................................... 123
Figura 38: Perfis temporais de cada grupo do agrupamento do albedo pelo K-Means com
função de distância DTW para a década de 2000. ................................................................... 123
Figura 39: Agrupamentos de NDVI, temperatura de superfície e albedo pelo Clarans com
função de distância DTW para cada ano-safra no período de 2001/2002 a 2009/2010. ......... 128
Figura 40: Perfis temporais de cada grupo do agrupamento do NDVI pelo Clarans com função
de distância DTW para a década de 2000................................................................................ 128
Figura 41: Perfis temporais de cada grupo do agrupamento da temperatura de superfície pelo
Clarans com função de distância DTW para a década de 2000............................................... 129
Figura 42: Perfis temporais de cada grupo do agrupamento do albedo pelo Clarans com função
de distância DTW para a década de 2000................................................................................ 129
Figura 43: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2002. ... 132
Figura 44: Relação entre os valores observados e estimados de produção em toneladas de
cana-de-açúcar de 2002. .......................................................................................................... 133
Figura 45: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2003. ........................................................................................................................................ 134
Figura 46: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2003. ... 135
Figura 47: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2004. ... 137
Figura 48: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2004. ........................................................................................................................................ 138

xxi
Figura 49: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2005. ........................................................................................................................................ 139
Figura 50: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2005. ... 140
Figura 51: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2006. ... 142
Figura 52: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2006. ........................................................................................................................................ 143
Figura 53: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2007. ........................................................................................................................................ 144
Figura 54: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2007. ... 145
Figura 55: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2008. ... 147
Figura 56: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2008. ........................................................................................................................................ 148
Figura 57: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2009. ........................................................................................................................................ 149
Figura 58: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2009. ... 150
Figura 59: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de
2009. ........................................................................................................................................ 155
Figura 60: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de
2009 e acréscimo de 5%. ......................................................................................................... 157
Figura 61: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de
2009 e acréscimo de 10%. ....................................................................................................... 159
Figura 62: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de
2009 e acréscimo de 15%. ....................................................................................................... 161
Figura 63: Tela inicial do sistema SatImagExplorer. .............................................................. 181
Figura 64: Agrupamentos de área plantada do conjunto #1. ................................................... 181
Figura 65: Agrupamentos de produtividade do conjunto #1. .................................................. 182
Figura 66: Agrupamentos de NDVI máximo do conjunto #1. ................................................ 182
Figura 67: Agrupamentos de Produtividade do conjunto #2. .................................................. 183
Figura 68: Agrupamentos de NDVI máximo do conjunto #2. ................................................ 183
Figura 69: Agrupamentos de área plantada do conjunto #3. ................................................... 184
Figura 70: Agrupamentos de produtividade do conjunto #3. .................................................. 184

xxii
Figura 71: Agrupamentos de NDVI máximo do conjunto #3. ................................................ 185
Figura 72: Agrupamentos de precipitação do conjunto #3. ..................................................... 185
Figura 73: Agrupamentos de temperatura máxima do conjunto #3. ....................................... 186
Figura 74: Agrupamentos de temperatura mínima do conjunto #3. ........................................ 186
Figura 75: Agrupamentos de produtividade do conjunto #4. .................................................. 187
Figura 76: Agrupamentos de NDVI máximo do conjunto #4. ................................................ 187
Figura 77: Agrupamentos de precipitação do conjunto #4. ..................................................... 188
Figura 78: Agrupamentos de temperatura máxima do conjunto #4. ....................................... 188
Figura 79: Agrupamentos de temperatura mínima do conjunto #4. ........................................ 189
Figura 80: Intervalos mínimo, médio e máximo mensais do agrupamento K-Means (grupos 1 e
2) de NDVI do ano-safra 2002/2003. ...................................................................................... 189
Figura 81: Principais componentes obtidas pela análise de PCA no SOM no período de
2001/2002 a 2009/2010 (A a I)................................................................................................ 200
Figura 82: Gráfico de deficiência hídrica máxima anual de cana-de-açúcar para a década de
2000. ........................................................................................................................................ 201
Figura 83: Gráfico de excedente hídrico máximo anual de cana-de-açúcar para a década de
2000. ........................................................................................................................................ 201
Figura 84: Gráfico de ISNA médio anual de cana-de-açúcar para a década de 2000. ............ 202
Figura 85: Gráfico de precipitação total anual de cana-de-açúcar para a década de 2000. ..... 202
Figura 86: Gráfico de temperatura média anual de cana-de-açúcar para a década de 2000.... 203
Figura 87: Gráfico de NDVI máximo anual de cana-de-açúcar para a década de 2000. ........ 203

xxiii
xxiv
LISTA DE TABELAS

Tabela 1: Características dos satélites da série AVHRR/NOAA. Fonte: KAMPEL, 2004......... 9


Tabela 2: Valores dos centroides dos agrupamentos 1, 2, 3 e do centroide da análise das
varáveis área plantada (ha), produtividade (ton/ha) e NDVI máximo. ..................................... 51
Tabela 3: Número de municípios produtores em cada classe do agrupamento. ........................ 53
Tabela 4: Valores dos centroides dos agrupamentos 1, 2, 3 e do centroide da análise das
varáveis produtividade (ton/ha) e NDVI máximo. .................................................................... 55
Tabela 5: Número de municípios produtores em cada classe do agrupamento. ........................ 57
Tabela 6: Valores dos centroides dos agrupamentos 1, 2, 3 e do centroide da análise das
varáveis área plantada (ha), produtividade (ton/ha), NDVI máximo, precipitação (mm/ano) e
temperatura máxima e mínima (°C). ......................................................................................... 59
Tabela 7: Número de municípios produtores em cada classe do agrupamento. ........................ 62
Tabela 8: Valores dos centroides dos agrupamentos 1, 2, 3 e do centroide da análise das
varáveis produtividade (ton/ha), NDVI máximo, precipitação (mm/ano) e temperatura máxima
e mínima (°C). ........................................................................................................................... 64
Tabela 9: Número de municípios produtores em cada classe do agrupamento. ........................ 66
Tabela 10: Intervalos mensais dos agrupamentos de NDVI (ano-safra 2002/2003). ................ 69
Tabela 11: Correlação de Pearson entre os valores de produção e os agrupamentos pelo K-
Means com DTW. ................................................................................................................... 112
Tabela 12: Correlação de Pearson entre os valores de produção e os agrupamentos pelo K-
Medoids com DTW. ................................................................................................................ 112
Tabela 13: Classes e porcentagens de pixels de cana-de-açúcar determinadas pelo Canasat para
cada grupo do K-Means com DTW......................................................................................... 113
Tabela 14: Classes e porcentagens de pixels de cana-de-açúcar determinadas pelo Canasat para
cada grupo do K-Medoids com DTW. .................................................................................... 113
Tabela 15: Coeficientes do modelo gerado pela regressão linear múltipla de 2002. .............. 131
Tabela 16: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2002. ..... 131
Tabela 17: Coeficientes do modelo gerado pela regressão linear múltipla de 2003. .............. 134
Tabela 18: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2003. ..... 134
Tabela 19: Coeficientes do modelo gerado pela regressão linear múltipla de 2004. .............. 136
Tabela 20: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2004. ..... 136

xxv
Tabela 21: Coeficientes do modelo gerado pela regressão linear múltipla de 2005. .............. 139
Tabela 22: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2005. ..... 139
Tabela 23: Coeficientes do modelo gerado pela regressão linear múltipla de 2006. .............. 141
Tabela 24: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2006. ..... 141
Tabela 25: Coeficientes do modelo gerado pela regressão linear múltipla de 2007. .............. 144
Tabela 26: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2007. ..... 144
Tabela 27: Coeficientes do modelo gerado pela regressão linear múltipla de 2008. .............. 146
Tabela 28: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2008. ..... 146
Tabela 29: Coeficientes do modelo gerado pela regressão linear múltipla de 2009. .............. 149
Tabela 30: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2009. ..... 149
Tabela 31: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2002 e NDVI 2001. ................................................................. 152
Tabela 32: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2002 e NDVI 2009. ................................................................. 153
Tabela 33: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2009 e NDVI 2001. ................................................................. 153
Tabela 34: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2009 e NDVI 2009. ................................................................. 153
Tabela 35: Coeficientes de correlação de Spearman em relação ao NDVI. ............................ 190
Tabela 36: Coeficientes de correlação de Spearman em relação a área plantada de cana-de-
açúcar. ...................................................................................................................................... 190
Tabela 37: Coeficientes de correlação de Spearman em relação a produção de cana-de-açúcar.
................................................................................................................................................. 191
Tabela 38: Coeficientes de correlação de Spearman em relação a produtividade de cana-de-
açúcar. ...................................................................................................................................... 191
Tabela 39: Coeficientes de correlação de Spearman em relação temperatura do ar. .............. 192
Tabela 40: Coeficientes de correlação de Spearman em relação a precipitação. .................... 192
Tabela 41: Coeficientes de correlação de Spearman em relação ao ISNA. ............................ 193
Tabela 42: Coeficientes de correlação de Spearman em relação a deficiência hídrica. .......... 193
Tabela 43: Coeficientes de correlação de Spearman em relação ao excedente hídrico. ......... 194
Tabela 44: Coeficientes de correlação de Spearman em relação ao albedo. ........................... 194
Tabela 45: Coeficientes de correlação de Spearman em relação a temperatura de superfície.195

xxvi
LISTA DE SIGLAS

A1B – Cenário de Mudanças Climáticas da Família A1.


AGRITEMPO – Sistema de Monitoramento Agrometeorológico da Embrapa Informática
Agropecuária e Cepagri/Unicamp
ARM – Armazenamento de Água no Solo
ATMET – Atmospheric, Meteorological and Environmental Technologies
AVHRR/NOAA – Advanced Very High Resolution Radiometer / National Oceanic and
Atmospheric Administration
BRAMS – Brazilian Developments on the Regional Atmospheric Modelling System
CAD – Capacidade de Água de Disponível
CANASAT – Monitoramento da Cana-de-açúcar via Imagens de Satélite
CBERS/WFI – Satélite Sino-Brasileiro de Recursos Naturais / Wide Field Imager
CCAR – Colorado Center for Astro Dynamics Research
CEPAGRI – Centro de Pesquisas Meteorológicas e Climáticas Aplicadas à Agricultura
CLARANS – Clustering Large Applications Based on Randomized Search
CONAB – Companhia Nacional de Abastecimento
CPTEC – Centro de Previsão de Tempo e Estudos Climáticos
CSIRO – Australian Commonwealth Scientific and Research Organization
CTC – Centro de Tecnologia Canavieira
DEF – Deficiência Hídrica
DGI – Divisão de Geração de Imagens
DM – Data Mining
DTW – Dynamic Time Warping
ETA/CPTEC – Modelo Regional de Mudanças Climáticas
ETM – Evapotranspiração Máxima
ETP – Evapotranspiração Potencial
ETR – Evapotranspiração Real
EVI – Enhanced Vegetation Index
EXC – Excedente Hídrico
GCMs – Modelos Climáticos Globais

xxvii
GEEs – Gases de Efeito Estufa
GEOEYE – Satélites de Observação da Terra
GES – Goddard Earth Science
HadCM3 – Global Model - Hadley Centre for Climate Prediction and Research
HadRM3P – Modelo Climático Regional
HRPT – High Resolution Picture Transmissions
IAF – Índice de Área Foliar
IAG/USP – Instituto de Astronomia, Geofísica e Ciências / Universidade de São Paulo
IBGE – Instituto Brasileiro de Geografia e Estatística
IKONOS – Satélites de Observação da Terra
IME/USP – Instituto de Matemática e Estatística / Universidade de São Paulo
INPE – Instituto Nacional de Pesquisas Espaciais
IPCC – Intergovernmental Panel on Climate Change
ISNA – Índice de Satisfação das Necessidades de Água
KC – Coeficiente de Cultura
KDD – Knowledge Discovery in Databases
LANDSAT – Satélites de Observação da Terra
MCC – Máxima Correlação Cruzada
MODIS – Moderate Resolution Imaging Spectroradiometer
MVC – Composições de Valor Máximo
NASA – National Aeronautics and Space Administration
NAVPRO – Sistema Automático de Processamento e Geração de Produtos de Imagens
AVHRR/NOAA
NCAR – National Center for Atmospheric Research
NDVI – Normalized Difference Vegetation Index (Índice de Vegetação da Diferença
Normalizada)
PBMC – Painel Brasileiro de Mudanças Climáticas
PCA – Análise de Componentes Principais
QUICK-BIRD – Satélites de Observação da Terra
RCMs – Modelos Climáticos Regionais
RegCM3 – Modelo Climático Regional - Versão 3

xxviii
ROI – Região de Interesse
SIDRA – Sistema IBGE de Recuperação Automática
SOM – Self-Organizing Maps
SPOT – Satélites de Observação da Terra
SRES – Special Report on Emissions Scenarios
TRMM – Tropical Rainfall Measuring Mission
UNICA – União da Indústria de Cana-de-açúcar
UNICAMP – Universidade Estadual de Campinas

xxix
xxx
1 INTRODUÇÃO

De acordo com a CONAB (2013), a produção de cana-de-açúcar no Brasil tem


crescido nos últimos anos, sendo que os maiores índices de aumento da área plantada são
encontrados em São Paulo, Mato Grosso do Sul, Goiás e Mato Grosso. Ressalta-se que a área
de cana-de-açúcar colhida, destinada à atividade sucroalcooleira, foi de aproximadamente
8.485 mil hectares, distribuída em todos os estados produtores, na safra 2012/2013. O estado
de São Paulo é o maior produtor com 52,07% (4.419,48 mil hectares) da área plantada total
sendo que a existência de safras alternadas pode manter a presença do país no mercado
mundial ao longo do ano. Nesse sentido, é importante a proposição de soluções inovadoras e
tecnologicamente viáveis para auxiliar a geração de métodos e modelos mais eficientes,
precisos, antecipados e adequados ao monitoramento e previsão das safras nacionais.

A utilização de dados de sensoriamento remoto é importante, neste contexto, tanto na


estimativa da área plantada, quanto da produtividade das culturas agrícolas, que, atualmente, é
feita predominantemente por meio de levantamentos estatísticos junto a produtores e setores
do agronegócio. A utilização de imagens de satélites é viável porque há diversidade de
sistemas sensores disponíveis atualmente, com as mais variadas resoluções espaciais,
temporais, espectrais e radiométricas, adequadas para utilização em aplicações agrícolas, como
é o caso do monitoramento e previsão de safras, com baixo custo de aquisição e de
processamento das imagens. As informações obtidas a partir das imagens de satélites,
associadas a informações meteorológicas e climáticas, podem indicar e antecipar a ocorrência
de fenômenos que já ocorreram no passado e levaram a uma boa safra ou a uma quebra na
produção.

Séries temporais de imagens de satélites meteorológicos, como os da série


AVHRR/NOAA (Advanced Very High Resolution Radiometer / National Oceanic and
Atmospheric Administration), têm sido utilizadas no monitoramento da vegetação em escalas
regional e global. Vários estudos vêm sendo realizados visando o aumento da utilização
efetiva das imagens deste tipo de sensor no monitoramento agrícola, devido à sua alta
resolução temporal, garantia de cobertura global e gratuidade dos dados, pois é elevada a
probabilidade de obtenção de imagens em boas condições de utilização ao longo do ciclo de
desenvolvimento da cultura.

1
Os satélites da série NOAA geram duas imagens diárias para cada um em operação
sendo cada vez mais acessível para estudos o volume de dados, nos últimos anos. São
necessários, desta forma, métodos computacionais que automatizem desde a correção
geométrica das imagens até a análise da enorme quantidade de dados extraídos delas para
utilização nas aplicações de interesse. Para extrair e analisar dados destas séries temporais
pode-se utilizar, por exemplo, técnicas de mineração de dados. Tarefas importantes de
mineração de séries temporais incluem análise de tendência, busca por similaridade,
mineração sequencial e de padrões periódicos.

De acordo com a literatura (ADAMI et al., 2012b; VIEIRA et al., 2012,


GONÇALVES et al., 2012a; GONÇALVES et al., 2011a e 2011b; ROMANI, et al., 2011a;
AMARAL et al., 2011), o acompanhamento e monitoramento da cultura de cana-de-açúcar,
bem como a evolução da produtividade e área plantada, podem ser analisados por meio de
métodos de mineração de séries. Por exemplo, para avaliar o impacto do clima na produção
vegetal, utilizam-se índices de vegetação espectral, tais como o NDVI (Índice de Vegetação da
Diferença Normalizada) e índices agroclimáticos, como o ISNA (Índice de Satisfação das
Necessidades de Água), neste caso, pode-se utilizar métodos de associação e agrupamento,
que permitam a extração de padrões úteis e aplicados a grande quantidade de dados.

O conhecimento das diferentes áreas produtoras de cana-de-açúcar e o clima, numa


determinada região, são informações necessárias para obtenção de modelos que sejam
aplicáveis, simultaneamente, a vários municípios produtores de cana-de-açúcar para avaliação
das relações entre o NDVI e o ISNA (GONÇALVES et al., 2009), a estimativa da
produtividade (NASCIMENTO et al., 2009) e a detecção da similaridade entre os municípios
por meio de funções de distância (ROMANI et al., 2010).

1.1 JUSTIFICATIVA

A cultura da cana-de-açúcar possui função cada vez mais estratégica na economia do


país devido ao interesse da substituição de combustíveis fósseis por fontes de energia
renováveis, como o etanol, com o propósito de diminuir as emissões de gases de efeito estufa
(GEEs). O aumento da concentração desses gases, resultante da intensificação das atividades
antrópicas, tem causado alterações significativas no clima (IPCC, 2013). Algumas regiões do

2
Brasil poderão ter seus padrões de temperatura e precipitação alterados, com o aquecimento
global. Junto com a mudança dos padrões anuais de precipitação, ou mesmo onde não houver
alteração do total anual, deverão ocorrer intensificações dos eventos extremos (PBMC, 2013).
Esse fato ilustra a importância da cultura para o país e evidencia a necessidade da existência
de sistemas de monitoramento e previsão de safras que auxiliem o planejamento envolvido na
produção e comercialização de produtos estratégicos para os mercados interno e externo, como
são o açúcar e o etanol.

As safras no Brasil são estimadas, predominantemente, por meio de formulários e


entrevistas realizadas com agricultores, cooperativas e agroindústria. Essas pesquisas são
feitas, normalmente, seis vezes por ano em várias regiões brasileiras (CONAB, 2013). Para ser
mais preciso sobre a extensão das culturas agrícolas, deve ser realizado mais frequentemente
um inventário das culturas. Além disso, dados completos sobre as culturas agrícolas podem ser
estratégicos para monitorar uma safra. No entanto, estes inventários periódicos são díficeis de
serem realizados devido à grande extensão do território brasileiro.

Para evolução do monitoramento e previsão de safras da cana-de-açúcar no país é


necessário conhecer a região de plantio, a fenologia da cultura e o clima, pois a cultura é
influenciada pela variação das condições meteorológicas durante um ano inteiro, sendo que,
durante a fase de crescimento, é necessário um período quente e úmido, enquanto na época de
maturação e colheita, um período seco. Uma das formas de avaliar o impacto do clima na
produção vegetal pode ser por meio do cálculo do balanço hídrico dos climas atual e futuro.
Desta maneira, o aumento da temperatura causa um aumento da evapotranspiração e,
consequentemente, um aumento na demanda hídrica, com reflexo direto no risco climático
para a cultura.

A utilização de séries temporais de imagens de satélites meteorológicos, como os da


série AVHRR/NOAA, e de dados agroclimáticos pode ser de grande utilidade no
desenvolvimento de métodos de monitoramento e previsão de safras da cana-de-açúcar no
país, pois são baseadas na detecção de mudanças do comportamento espaço-temporal. A
utilização de métodos computacionais auxilia a detecção de padrões e geração de
conhecimento a fim de aprimorar o monitoramento agrometeorológico e a obtenção de

3
modelos que sejam aplicáveis, simultaneamente, a vários municípios produtores de cana-de-
açúcar.

1.2 HIPÓTESE CIENTÍFICA

A hipótese científica deste trabalho é que a utilização de técnicas estatísticas e de


mineração de séries temporais de dados agroclimáticos, espectrais e de produção permite gerar
métodos e técnicas que possam identificar a tendência da produção da cana-de-açúcar nas
condições climáticas atuais e futuras.

1.3 OBJETIVO

1.3.1 Objetivo Geral

Desenvolver técnicas e modelos numéricos aplicados ao monitoramento e


planejamento regional da produção de cana-de-açúcar com base em séries temporais de dados
agroclimáticos e espectrais e a partir dos modelos numéricos gerados, avaliar a variação da
produção em 2020 no cenário de alta emissão do modelo regional de mudanças climáticas
ETA/CPTEC.

1.3.2 Objetivos Específicos

1) Avaliar a relação entre a resposta espectral (descrita pelo índice NDVI), dados
agroclimáticos (representados pelo índice ISNA) e valores de produção da cana-de-açúcar;
2) Monitorar e mapear a cultura da cana-de-açúcar por técnicas de agrupamentos;
3) Obter modelos numéricos de previsão da produção de safras futuras de cana-de-açúcar
em escala regional;
4) Estimar a produção de cana-de-açúcar utilizando o modelo regional de mudanças
climáticas ETA/CPTEC em um cenário de alta emissão de gases de efeito estufa para o ano de
2020.

4
2 REVISÃO DA LITERATURA

A revisão da literatura abordará os principais tópicos discutidos no trabalho e está


subdivida em: 1) cana-de-açúcar; 2) sensor AVHRR/NOAA e índice NDVI; 3) dados
agroclimáticos e balanço hídrico; 4) cenários de mudanças climáticas para a cana-de-açúcar,
enfatizando o modelo regional ETA/CPTEC e, 5) mineração de dados e de séries temporais.

2.1 CANA-DE-AÇÚCAR

A produção de cana-de-açúcar se concentra nas regiões Centro-Sul e Nordeste do


Brasil. O mapa, apresentado na Figura 1, mostra em vermelho as áreas onde se concentram as
plantações e usinas produtoras de açúcar, etanol e bioeletricidade, segundo dados oficiais do
IBGE, UNICAMP (Universidade Estadual de Campinas) e CTC (Centro de Tecnologia
Canavieira), apresentado por UNICA (2011). A cana-de-açúcar ocupa cerca de 8,5 milhões de
hectares ou cerca de 2,5% de toda a terra arável do país. O Brasil é o maior produtor e
exportador mundial de açúcar e o segundo maior produtor de etanol. Com o advento dos
carros “flex fuel” em 2003, a área plantada e, consequentemente, a produção de cana-de-
açúcar dobrou no período de 2001 a 2011 no Brasil (Figura 2). As regiões de plantio,
localizadas no Sudeste, Centro-Oeste, Sul e Nordeste, permitem o cultivo de duas safras por
ano. Portanto, durante todo o ano, o país produz açúcar e etanol para abastecer os mercados
interno e externo (UNICA, 2011).

Segundo a UNICA (2013), a produção de cana-de-açúcar na região Centro-Sul na


safra 2012/2013 foi de aproximadamente 532 milhões de toneladas, sendo que em 2013/14 foi
de aproximadamente 587 milhões de toneladas, com uma variação positiva de 10%. A Figura
2 apresenta um gráfico da produção de cana-de-açúcar no Brasil, na região Centro-Sul e no
estado de São Paulo de 1993 a 2011.

5
Figura 1: Mapa das áreas onde se concentram as plantações e usinas de cana-de-açúcar.
Fonte: UNICA (2011).

Figura 2: Gráfico de produção de cana-de-açúcar em São Paulo, no Sudeste e no Brasil de


1993 a 2011. Fonte: IBGE (2013).

6
Embora pesquisas científicas tenham propiciado o aumento da produtividade dos
cultivares de cana-de-açúcar, o aumento na produção deve-se, em grande parte, à expansão da
área plantada da cultura, principalmente no estado de São Paulo, maior produtor brasileiro
(MARTINELLI e FILOSO, 2008). Outro fator importante para a indústria sucroalcooleira é a
manutenção da colheita durante o ano todo para garantir a produção de etanol e outros
derivados. Com isso, embora as datas de plantio não variem tanto, a data de corte em algumas
regiões pode ser estendida gerando as chamadas cana soca (ano) e cana planta (ano e meio)
(SCARPARI e BEAUCLAIR, 2004). A cana-de-açúcar para produção de etanol e açúcar é
cultivada, em média, por quatro a cinco cortes. Assim, a cana soca pode representar cerca de
85% da área cultivada.

A cultura apresenta seu melhor desempenho quando ocorre um período quente e


úmido, com radiação solar intensa, durante a fase de crescimento, seguido por um período
seco na época de maturação e colheita. A extensão territorial do Brasil e as várias condições
climáticas existentes no país permitem a obtenção de duas colheitas anuais: de setembro a
abril, nas regiões norte e nordeste, e de maio a dezembro, no centro-sul. Nos dois casos, a
safra é colhida nos períodos de seca (PINTO e ASSAD, 2008).

A influência da água para a cana-de-açúcar é importante, principalmente na fase de


desenvolvimento vegetativo da cultura, que pode chegar a um período de nove meses no ano.
Se nessa fase de desenvolvimento houver escassez de água, pode ocorrer queda na
produtividade da cana-de-açúcar. Geralmente, essa fase vai de novembro a abril, para a cana
de ano e cana soca, e de setembro a abril, para a cana de ano e meio (ALFONSI et al., 1987).
Porém, devido à diferença entre os tipos de solos, a produtividade é menos afetada por déficits
hídricos em solos argilosos do que em solos arenosos devido à diferença na capacidade de
retenção de água desses solos.

A cana-de-açúcar apresenta taxas máximas de crescimento e acúmulo de biomassa


para temperaturas entre 22°C e 30°C. Acima de 38°C, esses índices tornam-se praticamente
nulos e com menos de 19°C, começam a surgir restrições térmicas (DOORENBOS e
KASSAM, 1979). A elevação da temperatura prevista para as próximas décadas pode ser, em
geral, adequada para a cana-de-açúcar, sendo que a área com menor risco climático ao plantio
da cultura poderá aumentar (PINTO e ASSAD, 2008). Uma das vantagens da cana-de-açúcar

7
no caso das mudanças climáticas é que a planta se beneficia de altos níveis de CO2 na
atmosfera sem ser afetada significativamente por temperaturas mais elevadas. Como por
exemplo, a produção de folhas e colmos pode aumentar 13,5% e 55,5%, respectivamente, e o
teor de açúcar total pode aumentar de 15% a 26%, isso pode decorrer em função do aumento
previsto da concentração de CO2 para 720ppm, que atualmente é de 360ppm (VU et al., 2006).

2.2 AVHRR/NOAA

Imagens de sensoriamento remoto têm sido utilizadas para avaliar a substituição de


culturas, como café e citros, por lavouras de cana-de-açúcar. RUDORFF et al. (2009)
utilizaram séries de imagens EVI do MODIS para identificar o uso da terra e o avanço da
cana-de-açúcar em todo o Brasil. RUDORFF et al. (2010) e GONÇALVES et al. (2012b e
2012c) confirmaram que imagens de satélite são eficientes para auxiliar a avaliação de
características importantes do cultivo da cana-de-açúcar, proporcionando resultados relevantes
para o debate sobre a produção sustentável de etanol. Em um estudo mais recente, ADAMI et
al. (2012a) avaliaram a precisão do mapeamento temático da cana-de-açúcar por meio de
imagens de satélites. A avaliação realizada indicou estimativas precisas da área de cana-de-
açúcar para fins de estatísticas agrícolas para o monitoramento da expansão de cultura no país.

Existem inúmeros satélites comerciais de observação da Terra em órbita de interesse


da agricultura, com diferentes características de resolução e periodicidade. Dentre eles,
destacam-se os de alta resolução espacial (Ikonos, Quick-Bird, Geoeye e Rapideye), os de
média resolução espacial (Landsat, Spot e CBERS), e os de baixa resolução espacial, mas com
alta periodicidade temporal (AVHRR/NOAA, MODIS e CBERS/WFI). A série de satélites
AVHRR/NOAA, embora sejam destinados primeiramente para fins meteorológicos, também é
importante na proposição de soluções inovadoras e tecnologicamente viáveis para auxiliar o
monitoramento e previsão de safras nacional, a partir do monitoramento regional de vegetação
natural e áreas agrícolas (GONÇALVES et al., 2013).

O sensor AVHRR apresenta características (Tabela 1) que permitem a utilização em


estudos terrestres, com resolução espacial próxima a um quilômetro e disponibilidade de
canais nas bandas correspondentes ao vermelho e infravermelho próximo, que são úteis em
estudos de cobertura vegetal. Devido à sua alta resolução temporal e garantia de cobertura

8
global, é elevada a possibilidade de obtenção de imagens em boas condições, isto é, com
pouca nebulosidade e baixa inclinação de visada, ao longo do ciclo de desenvolvimento da
cultura comercial.

Tabela 1: Características dos satélites da série AVHRR/NOAA. Fonte: KAMPEL, 2004.


Características dos satélites da série AVHRR/NOAA
Síncronas com o Sol (heliossíncronas), quase-polares
Órbita
(inclinação média de 98,82°)
Altitude média 850km
Período orbital Aproximadamente 102 minutos; 14,1 órbitas por dia
Campo de observação Entre 78° de latitude norte e 78° de latitude sul
Satélites em operação (2014) NOAA-15, NOAA-18 e NOAA-19
Largura da faixa de imageamento 2.700km
Resolução espacial 1,1km ao nadir
6 bandas nas faixas do espectro de Visível (1), infravermelho próximo (2 e 3A),
radiação eletromagnética infravermelho médio (3B) e infravermelho termal (4 e 5)

A principal vantagem do AVHRR/NOAA é sua alta frequência de imageamento


associada à grande faixa imageada. Isto possibilita o acompanhamento da variação fenológica
da vegetação ao longo das estações do ano, ou das variações devidas a eventos em escalas
regional e global (SEILER e GLOAGUEN, 2012). Embora haja um registro das plantações
com ciclos vegetativos diferentes (tais como a cana de ano e de ano e meio), essa diferença
não é evidente em imagens de satélites de baixa resolução espacial, por causa da mistura
espectral existente. No entanto, como a cana-de-açúcar é cultivada em grandes extensões
territoriais (campos grandes e contíguos), satélites de baixa resolução espacial, como o
AVHRR/NOAA, têm sido utilizados para estimar a produtividade da cana-de-açúcar
(NASCIMENTO et al., 2009) e avaliar a influência das condições climáticas no seu
desenvolvimento (GONÇALVES et al., 2012).

A série de satélites AVHRR/NOAA produz coberturas globais diárias a partir de pelo


menos dois satélites devidamente sincronizados, gerando duas imagens diárias para cada um
em operação, fazendo com que o volume de dados disponível tenha crescido muito nos

9
últimos anos. São necessários, então, métodos computacionais que automatizem desde a
correção geométrica das imagens até a análise da enorme quantidade de dados extraídos delas.
O NAVPRO é um exemplo destes métodos computacionais, sendo um sistema destinado ao
processamento e à geração automática de produtos baseados nas imagens do AVHRR/NOAA,
desenvolvido parcialmente por pesquisadores do Colorado Center for Astro dynamics
Research (CCAR), Aerospace Engineering Sciences, da Universidade do Colorado
(Boulder/EUA), conforme descrição feita por ANTUNES (2005) e ESQUERDO (2007). O
sistema é compatível com a plataforma Linux e executado em “script Shell”, fazendo a
conversão de formatos, calibração radiométrica, correção geométrica (isto é, o
georreferenciamento preciso) e geração de produtos tais como, índice de vegetação NDVI,
albedo e temperatura de superfície das imagens do AVHRR/NOAA de forma automática
(ESQUERDO et al., 2006), como ilustra a Figura 3.

Para o estudo da cobertura vegetal, índices de vegetação são bastante utilizados no


sensoriamento remoto, sendo que o Índice de Vegetação da Diferença Normalizada (NDVI) é
o mais estudado e utilizado, tendo sido definido por ROUSE et al. (1973) por meio da
Equação 1.

(1)

onde, ρIV é o fator de refletância no infravermelho próximo e ρV no vermelho.

Os valores do NDVI variam de -1 a +1, sendo maior quanto maior for a diferença
entre o fator de refletância no infravermelho próximo e no vermelho. Os valores menores e
próximos de zero significam superfícies sem vegetação. A Figura 3A contém áreas do estado
de São Paulo com NDVI próximos a 1 apresentadas pela cor vermelha, representando áreas
agrícolas e de vegetação natural, e valores próximos a zero pela cor azul, que correspondem a
áreas urbanas e recursos hídricos. O NDVI tem sido utilizado no monitoramento de vegetações
naturais e áreas agrícolas por apresentar correlação com os seguintes parâmetros agronômicos:
biomassa (JUSTICE e HIERNAUX, 1986; ANYAMBA e TUCKER, 2005), índice de área

10
foliar (PRINCE, 1993; WANG et al., 2005), peso da vegetação úmida, peso da vegetação seca
e porcentagem de cobertura vegetal (SENAY e ELLIOT, 2002).

(A)

(B)

11
(C)

Figura 3: Imagens do AVHRR/NOAA processadas para o estado de São Paulo contendo


dados de Composição Máxima de NDVI (A), Albedo (B) e Temperatura de Superfície (C), em
março de 2009.

Dentre os produtos do AVHRR/NOAA, a temperatura de superfície (Figura 3C), está


associada à emissividade da superfície terrestre. Os sensores a bordo dos satélites medem a
radiância espectral, e para o cálculo da temperatura de superfície são utilizados as bandas do
infravermelho termal. Na região do infravermelho, a temperatura de brilho é equivalente à
temperatura do corpo negro. A temperatura de brilho correspondente a radiância, que é
calculada pela equação inversa de Planck (1900). Existem diversos métodos para estimar a
temperatura de superfície com dados de satélites, tais como, SOBRINO et al. (1997),
ULIVIERI et al. (1994) e OUAIDRARI et al. (2002). Estes métodos utilizam a técnica Split-
Window para amenizar os efeitos atmosféricos e, tornar a estimativa da temperatura de
superfície mais precisa e útil.

O albedo (Figura 3B) representa a quantidade de radiação incidente que é refletida


pela superfície, sendo um parâmetro do balanço de radiação e de energia da superfície. O
albedo é o valor médio da refletância de uma superfície na faixa espectral que vai de 0,3µm a
3µm (domínio espectral do sol) aproximadamente. O balanço de energia da superfície é a

12
representação dos diferentes tipos de interação da energia com a superfície. A principal fonte
de energia para a superfície é a radiação solar (radiação de ondas curtas), além da energia
radiante, existe também a energia emitida pela superfície e pela atmosfera (radiação de ondas
longas). Conforme a Lei de Stefan-Boltzmann (1879 e 1884), essa energia é proporcional à
temperatura e emissividade do corpo.

O saldo de radiação exerce um papel fundamental nos processos de troca de calor e


massa na baixa troposfera, ou seja, a energia disponível é responsável pelo aquecimento do ar,
processos de evapotranspiração e aquecimento do solo. Desta maneira, para determinar o saldo
de radiação é necessário o cômputo do albedo, que pode ser realizado pelo cálculo das bandas
do vermelho e infravermelho próximo do AVHRR/NOAA, pelo método proposto por
WYDICK et al. (1987). Há outros métodos que utilizam equações de transformação da
refletância de diferentes bandas espectrais, com correção atmosférica, em albedo superficial,
como HUCEK e JACOBOWITZ (1995); SONG e GAO (1999); LIANG (2002), para diversos
sensores (AVHRR, MODIS, ETM+).

Os produtos gerados pelo AVHRR/NOAA, como NDVI, temperatura de superfície e


albedo, são utilizados para monitoramento e mapeamento das variabilidades sazonal e espacial
das condições climáticas, agrícolas e urbanas (TRISHCHENKO, 2009; BARBOSA et al.,
2006; BLOK et al., 2011).

2.3 DADOS AGROCLIMÁTICOS

As culturas destinadas à produção de açúcar, como a cana-de-açúcar, são exigentes


em relação às condições climáticas, precisando de condições ideais de temperatura e umidade
para o seu desenvolvimento. Segundo GOUVÊA (2008), o ambiente ideal é aquele onde a
precipitação é bem distribuída durante o período de crescimento da planta, seguido por um
período relativamente seco antes da colheita, com bastante luminosidade durante toda a
estação.

Para identificar a necessidade de água da cultura para o seu crescimento e


desenvolvimento é importante determinar o seu balanço hídrico. Um dos métodos mais
utilizados para calcular o balanço hídrico é o de THORNTHWAITE e MATHER (1955). Esse

13
método requer dados de evapotranspiração, coeficiente de cultura (Kc) ao longo do período de
desenvolvimento da cultura, precipitação, temperatura e capacidade de água disponível (CAD)
para o período considerado. No entanto, fornece resultados como dados de evapotranspiração
real (ETR), deficiência hídrica (DEF), excedente hídrico (EXC) e armazenamento de água no
solo (ARM).

PEREIRA et al. (2002) descrevem o balanço hídrico como um sistema contábil de


monitoramento da água do solo, que resulta da aplicação do princípio da conservação de
massa para a água num volume de solo vegetado. A variação do armazenamento, num
intervalo de tempo, representa o balanço entre entradas e saídas de água do volume de
controle. Basicamente, são seis entradas possíveis (precipitação, orvalho, escoamento
superficial, drenagem lateral, ascensão capilar e irrigação) e quatro saídas (evapotranspiração,
escoamento superficial, drenagem lateral e drenagem profunda).

No balanço hídrico, com cômputo da precipitação e evapotranspiração, é possível


quantificar a deficiência hídrica e sua época de ocorrência. Maiores deficiências hídricas
ocorrem com maior frequência quando há aumento da temperatura e consequente elevação das
taxas de evapotranspiração da cultura. Sob estresse hídrico, o vegetal é induzido a adaptações
fisiológicas e morfológicas que levam ao fechamento dos estômatos, havendo queda da
fotossíntese, do crescimento da cultura e de sua produtividade (DOORENBOS e KASSAN,
1994).

Para obter um bom indicador das necessidades de água da planta e do solo, pode-se
utilizar o Índice de Satisfação das Necessidades de Água (ISNA), calculado a partir dos
parâmetros obtidos na simulação do balanço hídrico ao longo do ciclo da cultura, por meio da
Equação 2.

(2)

onde, ETR é a evapotranspiração real e ETM é a evapotranspiração máxima.

O ISNA expressa a relação entre a quantidade de água que a planta consumiu e a que
seria desejável a fim de garantir sua produtividade máxima (ASSAD et al., 1998). Esse índice

14
varia de zero a um, sendo máximo quando a quantidade de água armazenada no solo é
adequada para obtenção da produtividade máxima.

A evapotranspiração real (ETR) é a quantidade de água realmente utilizada por uma


superfície extensa vegetada com grama, em crescimento ativo, cobrindo totalmente o solo,
porém, com ou sem restrição hídrica. Quando não há restrição hídrica, a evapotranspiração
real é igual a evapotranspiração potencial (PEREIRA et al., 2002). A evapotranspiração
máxima (ETM) ou de cultura é a evapotranspiração que a planta deve conseguir para
potencializar a produção e obter o rendimento máximo. Isto é, é a quantidade de água utilizada
por uma cultura, em qualquer fase de seu desenvolvimento, desde o plantio até a colheita,
quando não houver restrição hídrica. Ela pode ser obtida a partir da evapotranspiração
potencial, de acordo com a Equação 3, proposta por JENSEN (1968).

(3)

onde, ETM a evapotranspiração máxima, Kc o coeficiente de cultura e ETP a


evapotranspiração potencial.

A evapotranspiração potencial (ETP) ocorre numa superfície vegetada com grama


com disponibilidade suficiente de água no solo, em fase de crescimento ativo, cobrindo
completamente a superfície do solo (OMETTO, 1988). A evapotranspiração potencial ou de
referência é um valor indicativo da demanda evapotranspirativa da atmosfera de um local em
um período (PEREIRA et al., 2002). O coeficiente de cultura (Kc) é o fator de ajuste entre a
evapotranspiração máxima e a evapotranspiração potencial e varia de acordo com as fases
fenológicas e também entre espécies e variedades cultivares, sendo em função do índice de
área foliar (IAF).

BRUNINI et al. (2001), MALUF et al. (2001), FARIAS et al. (2001) e SANS et al.
(2001) utilizaram o ISNA com o objetivo de determinar as melhores datas de plantio e
revelaram a importância da espacialização dos índices climáticos para o zoneamento de riscos
climáticos de culturas agrícolas. Sabe-se que o ISNA é um índice relacionado com a oferta
pluviométrica e o armazenamento de água no solo, com isso, é possível observar duas

15
situações: uma, apresenta áreas com o ISNA elevado que representam chuva mais estável e,
portanto, armazenamento de água no solo ainda elevado. Outra, apresenta áreas com ISNA
baixo que correspondem a áreas onde ocorre maior diferença na distribuição das chuvas e
maiores diferenças no armazenamento de água. Estas situações permitem avaliar o alto,
médio e baixo risco para o plantio, permitem reduzir o erro na tomada de decisão no momento
do plantio e auxiliam na montagem da matriz de risco espacial, a partir de parâmetros
agrometeorológicos.

2.4 CENÁRIOS FUTUROS DE MUDANÇAS CLIMÁTICAS

Os cenários futuros de mudanças climáticas são representações que descrevem como


o clima do planeta poderá ser modificado em decorrência de uma determinada alteração da
composição da atmosfera, resultante das atividades humanas e condições naturais
(CAMILLONI e BIDEGAIN, 2005). Essas representações do clima futuro são baseadas em
um conjunto de suposições, que incluem tendências futuras de demanda energética, emissões
de gases de efeito estufa, mudanças no uso do solo e aproximações nas leis que regem o
comportamento do sistema climático sobre grandes períodos de tempo.

Devido à natureza caótica da dinâmica da atmosfera e dos mecanismos de


retroalimentação entre o oceano e a atmosfera, há muitas incertezas quanto aos resultados dos
modelos que simulam os cenários futuros do clima. Cada modelo gera cenários futuros de
acordo com suas premissas físicas e matemáticas, sendo que para cada cenário são atribuídas
diferentes concentrações de gases de efeito estufa, avanços tecnológicos, desenvolvimento
social e demográfico, gerando cenários próprios, com suas divergências e incertezas (IPCC,
2007).

Os modelos climáticos são ferramentas de planejamento para projeções de mudanças


do clima, em consequência de cenários futuros de forçantes climáticas, causadas por gases de
efeito estufa e aerossóis (MARENGO e SOARES, 2003). Segundo MARENGO (2001), são
modelos de clima de baixa resolução espacial e de alta qualidade, em que os processos
atmosféricos, oceânicos e terrestres são representados da melhor forma possível, dado o
conhecimento científico atual e os meios computacionais existentes.

16
Modelos climáticos globais (GCMs) são as ferramentas principais para estudar a
variabilidade climática de longo prazo. Estes modelos têm resolução espacial baixa, e a técnica
mais aceita para transpor a baixa resolução espacial dos modelos climáticos globais para
escalas mais refinadas é a regionalização (downscaling) das projeções dos modelos globais
utilizando modelos climáticos regionais (RCMs) de alta resolução espacial sobre a área de
interesse, tendo, como condições de contorno, dados provenientes de um modelo climático
global (AMBRIZZI et al., 2007).

O desenvolvimento de cenários de mudanças climáticas em escala regional talvez seja


o primeiro passo para compreensão dos impactos do aquecimento global, os quais fornecem
informações úteis para avaliação da vulnerabilidade e concepção de medidas e estratégias para
adaptação das mudanças do clima. Além disso, a mudança climática pode mostrar
variabilidade regional, o que poderia sugerir diferentes distribuições geográficas dos impactos
climáticos dentro de um país (MARENGO et al., 2011).

Há vários modelos de área limitada adaptados ou desenvolvidos para estudos de


mudanças climáticas. As principais limitações teóricas dessas técnicas são erros sistemáticos
oriundos dos modelos globais, que são comuns em toda a metodologia que utiliza os
resultados desses modelos. No Brasil, há disponível, até o momento, três modelos regionais:

 ETA - a letra grega eta (η) dá o nome ao modelo desenvolvido pela


Universidade de Belgrado e Instituto Hidrometeorológico da antiga Iugoslávia, posteriormente
operacionalizado pelo National Center for Environmental Prediction (NCEP) (MESINGER et
al., 1988; BLACK, 1994), instalado no Centro de Previsão de Tempo e Estudos Climáticos,
do Instituto Nacional de Pesquisas Espaciais (CPTEC/INPE) em 1996 (CHOU, 1996);

 BRAMS (Brazilian developments on the Regional Atmospheric Modelling


System) - é um projeto originalmente desenvolvido pela ATMET, IME/USP, IAG/USP e
CPTEC/INPE, com objetivo de fornecer um único modelo para centros meteorológicos
regionais brasileiros. O modelo BRAMS é um modelo de previsão numérica projetado para
simular circulações atmosféricas.

 RegCM3 (Regional Climate Model – version 3) - originário do NCAR


(National Center for Atmospheric Research) (GIORGI et al., 1993a-b); e

17
 HadRM3P - cujas simulações regionais utilizaram as mesmas condições de
contorno do modelo global HadCM3 (Hadley Centre for Climate Prediction and Research),
desenvolvido no Hadley Centre, UK Meteorological Office, da Inglaterra (IPCC, 2007).

2.4.1 Modelo ETA/CPTEC

O modelo climático regional ETA/CPTEC (MESINGER et al., 1988; BLACK, 1994;


CHOU, 1996), desenvolvido pela Universidade de Belgrado, Instituto Hidrometeorológico da
antiga Iugoslávia e CPTEC/INPE, vem apresentando desempenho satisfatório na simulação
do clima presente, mostrando-se eficiente para estudos em escalas regionais. Além disso, o
modelo apresenta projeções futuras de 2011 a 2099, sendo considerado um dos modelos
regionais com séries futuras mais completas (CHOU et al., 2011; MARENGO et al., 2011). O
modelo ETA/CPTEC foi submetido a um downscaling, isto é, mudança de uma resolução
espacial baixa para resolução espacial alta, utilizando condições de contorno fornecidas pelo
modelo inglês HadCM3, que é a terceira versão do modelo acoplado do Hadley Centre
(GORDON et al., 2000). O modelo apresenta uma grade espacial de 40km por 40km e as
projeções são geradas para o “clima presente” (baseline) de 1961 a 1990 (CHOU et al., 2011)
e para o “clima futuro” de 2011 a 2099, projetado dentro da família A1B do IPCC SRES
(Special Report on Emissions Scenarios).

Os resultados deste modelo são quatro valores diários de temperatura, precipitação,


evapotranspiração e umidade relativa, que são utilizados para analisar a variabilidade em
várias escalas, desde mudanças nas médias anuais até ciclos diários. Segundo CHOU et al.
(2011), para estudo do clima presente, a concentração de gás carbônico (CO2) do ETA/CPTEC
foi definido para um valor constante de 330 ppm. Ele também foi definido para um calendário
de 360 dias por ano, a fim de acompanhar a circulação geral dos calendários dos modelos do
IPCC.

Nas rodadas dos cenários climáticos futuros, o modelo oferece quatro cenários de
sensibilidade: alta, média, baixa e sem perturbação. O cenário sem perturbação utiliza a
concentração constante de 330ppm de CO2. Os demais cenários utilizam três concentrações
diferentes de GEEs, descritos pelo IPCC: um cenário “otimista” (com baixa emissão de

18
GEEs), um “mediano” (com emissões de GEEs da mesma ordem das emitidas atualmente) e
um “pessimista” (com altas emissões de GEEs, acima dos níveis atuais). Cada membro do
“ensemble” (conjunto) é “forçado” com concentrações diferentes de CO2. O efeito das
diferentes combinações de parâmetros pode alterar o grau e, de certa forma, os padrões das
possíveis mudanças do clima (CHOU et al., 2011).

2.4.2 Mudanças Climáticas e a Cana-de-açúcar

A agricultura parece ser uma das atividades humanas mais vulneráveis às mudanças
climáticas devido à sua grande dependência das condições ambientais. No entanto, a
diversidade de condições ambientais brasileira pode ser de grande vantagem para adaptar o
setor às novas condições climáticas. No Brasil, estudos simulando o impacto das mudanças
climáticas em culturas agrícolas como milho, trigo, soja, café, arroz, batata, algodão
concluíram que todas essas culturas poderão apresentar perdas consideráveis de área e
produção nos diferentes cenários de mudanças climáticas (ASSAD et al., 2004; ZULLO JR et
al., 2006; STRECK e ALBERTO, 2006; FAGUNDES et al., 2010; ZULLO JR et al., 2011;
SILVA et al., 2012; COLTRI, 2012). Por outro lado, culturas como cana-de-açúcar e
mandioca poderão ser beneficiadas pelas altas temperaturas (PINTO e ASSAD, 2008). Muitas
culturas poderão apresentar perdas em área de plantio e na produção já na primeira metade
deste século (ASSAD et al., 2004; PINTO e ASSAD, 2008; COLTRI, 2012), podendo
ocasionar migração de locais de plantios e modificações na geografia da produção brasileira
(PINTO e ASSAD, 2008).

MARIN et al. (2012) avaliaram os efeitos das mudanças climáticas sobre o


rendimento da cana-de-açúcar, do uso eficiente da água e da necessidade de irrigação no
centro-sul do Brasil, com base em modelos de circulação geral e de crescimento da cana-de-
açúcar. Desse modo, as perspectivas para expansão da área cultivada de cana-de-açúcar são
muito favoráveis nos próximos anos e devem ser devidamente planejadas, pois,
diferentemente de outras épocas na história do Brasil, ela não poderá ocorrer se não forem
consideradas as condições ambientais, energéticas, econômicas, sociais, políticas, culturais e
demográficas diretamente associadas a ela. Uma expansão desordenada e mal planejada
poderá ser desastrosa, possivelmente gerando competição com culturas alimentícias, levando a

19
impactos negativos no Brasil e no mundo.

Os impactos sobre a agricultura têm uma importância especial para o país, uma vez
que quase 30% do produto nacional bruto brasileiro está relacionado ao agronegócio
(BARROS, 2009). Um dos estudos, coordenado pelo Centro de Pesquisas Meteorológicas e
Climáticas Aplicadas à Agricultura (Cepagri/Unicamp) e Embrapa Informática Agropecuária,
afirma que o aumento das temperaturas poderá provocar perdas nas safras de grãos no valor de
R$ 7,4 bilhões já em 2020 – quebra que poderá saltar para R$ 14 bilhões em 2070 – e alterar
profundamente a geografia da produção agrícola no país (PINTO E ASSAD, 2008), ou seja,
poderá haver uma nova distribuição das culturas agrícolas do Brasil até o fim do Século XXI.
Dentre as culturas mais prejudicadas está o café, sendo que uma das únicas que poderá se
beneficiar com o aumento das temperaturas é a cana-de-açúcar. Nas avaliações feitas até o
momento, a elevação das temperaturas prevista nos relatórios do IPCC poderá ampliar as áreas
com baixo risco climático para a cana-de-açúcar.

2.5 MINERAÇÃO DE DADOS

Para análise de dados agroclimáticos e de sensoriamento remoto destaca-se a


descoberta de conhecimento em bases de dados (Knowledge Discovery in Databases - KDD).
O processo de descoberta de conhecimento é um processo não trivial de identificar padrões em
dados, de diversas áreas, válidos, novos, úteis e compreensíveis, visando melhorar o
entendimento de um problema ou um procedimento de tomada de decisões (FAYYAD et al.,
1996). O processo de KDD é interativo, iterativo, cognitivo e exploratório, envolvendo várias
etapas, tais como: seleção, pré-processamento, transformação, mineração, interpretação do
conjunto dos dados, com muitas decisões sendo feitas pelo especialista de domínio dos dados.
Uma das etapas de maior destaque neste processo é a mineração de dados (Data Mining –
DM), que pode ser definida como a mineração ou descoberta de novas informações em termos
de padrões ou regras em grandes bases de dados (ELMASRI E NAVATHE, 2010).

Mineração de dados espacial, em particular, é a descoberta de relações e


características que podem existir implicitamente em bancos de dados espaciais. Por causa da
enorme quantidade de dados espaciais (geralmente, da ordem de terabytes), que podem ser
obtidos a partir de imagens de satélite e dados agroclimáticos, a análise com detalhes destes

20
dados feita pelos usuários é cara e muitas vezes pouco realista. Deste modo, a mineração de
dados espacial visa automatizar o processo de descoberta de conhecimento, assim como, fazer
a extração de padrões espaciais e características interessantes; capturar as relações intrínsecas
entre dados espaciais e não espaciais; regularizar os dados de forma concisa e em maiores
níveis conceituais; e ajudar a reorganizar bancos de dados espaciais para acomodar semântica
de dados, bem como conseguir um melhor desempenho (NG e HAN, 2002).

A mineração de dados é subdividida em predição e descrição. A predição envolve o


uso de variáveis com valores conhecidos para predizer um valor desconhecido ou futuro de
outra variável. A descrição caracteriza propriedades gerais encontradas nos dados, com foco
em padrões interpretáveis pelo ser humano (FAYYAD et al., 1996). Diante da previsão e
descrição, as principais tarefas da mineração de dados são: Regressão (estimar valores
ausentes em um conjunto de dados), Classificação (predizer classes de objetos que ainda não
foram classificados), Associação (encontrar uma relação entre conjuntos de dados, da forma
que X→ Y, onde X e Y são conjuntos de valores), Agrupamento – Clustering (encontrar
grupos similares de objetos, que identificam, formam ou correspondam a uma classe) e
Detecção de ruídos (Outliers) (HAN e KAMBER, 2006).

Uma série temporal consiste em uma sequência de observações ordenadas no tempo


(MORETTIN E TOLOI, 2006), sendo utilizadas em várias áreas do conhecimento como
agricultura, economia, geofísica, meteorologia, mercado de ações, processos de produção,
experimentos científicos, tratamentos médicos, entre outros. A mineração de séries temporais
é um dos ramos da mineração de dados e traz para a área de mineração de dados a
complexidade de lidar com a análise temporal de padrões. Tarefas importantes de mineração
de séries temporais incluem análise de tendência, busca por similaridade, mineração
sequencial e de padrões periódicos. Envolve ainda a avaliação de eventos cíclicos, sazonais e
aleatórios. A complexidade pode aumentar quando o dado original deve ser pré-processado
para gerar a série. Por exemplo, séries temporais podem ser construídas a partir de medidas
obtidas de imagens multitemporais de satélite. Além disso, várias tarefas em mineração de
dados requerem que o dado esteja no domínio da frequência.

21
De acordo com ROMANI (2010), um processo de mineração de séries temporais
envolvendo dados climáticos e de sensoriamento remoto é composto de cinco etapas
principais, como descrito a seguir e apresentado na Figura 4:

 Extração: extrai séries temporais de imagens e outros tipos de dados


complexos;
 Pré-processamento: remove erros e ruídos, e transforma os dados;
 Integração: integra diferentes séries temporais de várias fontes;
 Mineração: aplica algoritmos para descobrir padrões e conhecimento;
 Apresentação: apresenta o conhecimento minerado.

Figura 4: Processo de mineração de séries temporais de dados climáticos e imagens de


satélite. Adaptado de ROMANI (2010).

22
Uma das tarefas de mineração de dados bastante utilizada é o agrupamento, que
consiste em um processo de agrupar um conjunto de objetos em classes de objetos similares.
Um grupo (cluster) é uma coleção de objetos similares, de maneira que a similaridade
intragrupo seja significativamente maior que a similaridade intergrupos. Em outras palavras, o
agrupamento permite reunir os objetos de dados em partições de acordo com a distância entre
eles. Com base nos valores de determinados atributos, a distância entre dois objetos indica o
quanto eles são similares. Com isso, em um mesmo grupo, a distância entre os objetos deve
ser sempre menor do que a distância entre objetos de grupos diferentes (HAN e KAMBER,
2006).

A análise de grupos pode ser utilizada como uma ferramenta de mineração de dados
para auxiliar o entendimento da distribuição do conjunto de dados. Além disso, o agrupamento
pode ser utilizado como um pré-processamento dos dados para outras tarefas de mineração.
Métodos baseados em particionamento comumente utilizados são o K-Means, o K-Medoids
(HAN e KAMBER, 2006) e o Clarans (NG e HAN, 2002).

O K-Means é um dos métodos mais populares e simples, tendo sido publicado em


1955. Em mais de 50 anos, muitos outros métodos de agrupamento foram publicados e,
mesmo assim, o K-Means ainda é o mais utilizado (JAIN, 2010). O K-Means é um método de
agrupamento baseado em particionamento, em que cada objeto do conjunto de dados a ser
agrupado pode pertencer a apenas um grupo. O elemento representativo de um grupo é o seu
centroide, que possui um valor médio para os atributos considerados, relativos a todos os
elementos do grupo. Utilizando o valor médio dos elementos de cada grupo, o método
recalcula iterativamente os centroides, e redistribui todos os objetos, até que não haja mais
alterações no agrupamento. O método por ser baseado em valores médios, sendo que a
presença de outliers e ruídos na base de dados pode influenciar a escolha dos centroides e a
formação dos grupos (HAN et al., 2001).

O K-Medoids é um método de agrupamento que ao invés de representar o grupo pela


média de seus elementos busca, como representante, o elemento mais central do grupo,
chamado medoid. Neste caso, o elemento que melhor representa o grupo é definido de acordo
com seus atributos sem que haja muita influência dos valores próximos aos limites do grupo.
Dessa maneira, para cada grupo, todos os objetos pertencentes a ele são testados como

23
candidatos a medoid, e o escolhido é apenas o que for o mais centralizado. Tal característica
torna o método menos sensível a ruídos e outliers no conjunto de dados de entrada, além de
minimizar o efeito da escolha aleatória dos medoids iniciais. O que difere o K-Means do K-
Medoid é a escolha do representante do grupo (HAN et al., 2001).

O Clarans (Clustering Large Applications based on RANdomized Search) é um


método de agrupamento baseado em particionamento. É randômico para facilitar o
agrupamento de um grande número de objetos e calcula a similaridade entre objetos de
polígonos (a representação dos objetos é feita por pontos e dos agrupamentos por meio de
polígonos). O método realiza uma nova amostragem a cada iteração do algoritmo. Isto traz o
benefício de não excluir possíveis agrupamentos da amostragem inicial (NG e HAN, 2002).

Em estudos como o de DING et al. (2008), métricas simples como a distância


euclidiana são suficientes para cálculo de similaridade em diversos domínios de dados.
Entretanto, séries temporais podem possuir formatos ou perfis semelhantes, e podem estar
desalinhadas ou defasadas em relação à escala temporal. A abordagem métrica DTW
(Dynamic Time Warping) realiza alinhamentos entre duas séries, reconhecendo a similaridade
mesmo com deslocamentos de tempo (ROMANI, 2010 e ROMANI et al., 2010) e calcula as
distâncias entre os elementos do conjunto de dados para os métodos de agrupamento, descritos
anteriormente (BERNDT e CLIFFORD, 1994).

Estudos como mapeamento do uso da terra para determinar áreas agrícolas para a
segurança alimentar (VINTROU et al., 2012), extração de características espectrais de
imagens de satélite para o monitoramento agrícola (JULEA, et al., 2012) e ambiental (LI e
NARAYANAN, 2004) utilizam as tarefas de mineração de dados, pois lidam com grandes
volumes de dados em diferentes áreas de conhecimento. Desta maneira, a mineração de séries
temporais de imagens de satélite tem se destacado nos estudos de acompanhamento,
monitoramento, mapeamento (VIEIRA et al., 2012) e previsão de safras de cana-de-açúcar
(BEGUE et al., 2009).

24
3 METODOLOGIA

A área de trabalho foi o estado de São Paulo, principal estado produtor de cana-de-
açúcar do país. Este estado está situado entre as coordenadas geográficas 54°00’ e 43°30’ de
longitude oeste e 25°30’ e 19° 30’de latitude sul. A Figura 5 ilustra os cinquenta municípios
maiores produtores de cana-de-açúcar do estado de acordo com IBGE (2013) no período 2001
- 2011.

A Figura 6 apresenta um fluxograma geral das quatro etapas do trabalho, que serão
descritas com mais detalhes a seguir: 1) seleção das áreas produtoras de cana-de-açúcar e
aquisição dos dados de produção, área e produtividade de cana-de-açúcar; 2) aquisição e
processamento dos dados espectrais; 3) aquisição e processamento dos dados agroclimáticos;
4) mineração de séries temporais, análise estatística e modelagem.

Figura 5: Cinquenta municípios maiores produtores de cana-de-açúcar do estado de São Paulo


no período 2001-2011 (IBGE, 2013).

25
Seleção das áreas de cana-de-açúcar de São Paulo
(50 municípios maiores produtores)

Dados Climáticos
Dados Espectrais Dados Espectrais Dados de
Temperatura e
Imagens Landsat Imagens AVHRR/NOAA Precipitação Produtividade

Delimitação dos vetores Processamento das imagens


de cana-de-açúcar AVHRR/NOAA Cálculo do Balanço Hídrico

(CANASAT) no Sistema NAVPRO

Perfis temporais de
Mapeamento de ISNA, Deficiência e
NDVI, Albedo e
cana-de-açúcar Temperatura de Superfície Excedente Hídrico

Mineração de séries temporais


e análise estatística das séries
temporais de NDVI , ISNA
e Produtividade Modelos e Previsão

Modelos Climáticos
(Cenários Futuros)

Figura 6: Fluxograma geral das etapas do trabalho.

26
3.1 SELEÇÃO DAS ÁREAS PRODUTORAS DE CANA-DE-AÇÚCAR

Os dados de área plantada, produção e produtividade de cada ano-safra de cana-de-


açúcar, no período 2001 – 2011, foram obtidos na página do SIDRA/IBGE (Sistema IBGE de
Recuperação Automática / Instituto Brasileiro de Geografia e Estatística),
http://www.sidra.ibge.gov.br/, para todos os municípios de São Paulo. Nestes dados, a área
plantada é igual a área colhida. Depois da aquisição dos dados, fez-se a seleção dos 50
municípios maiores produtores de cana-de-açúcar de São Paulo no período (Figura 5), de
acordo com o valor de produção. A produtividade foi calculada pela razão entre área plantada
e produção.

A seleção das áreas de plantio de cana-de-açúcar foi feita por meio da página do
projeto Canasat/INPE (http://www.dsr.inpe.br/laf/canasat/), que faz o monitoramento anual do
cultivo da cana-de-açúcar, por imagens de satélite, nas classes seguintes: soca, expansão, em
reforma (18 meses) e reformada (18 meses) para os estados de Goiás, Minas Gerais, Mato
Grosso, Mato Grosso do Sul, Paraná, São Paulo, Espírito Santo e Rio de Janeiro. No item
seguinte será descrito com maior detalhe a aquisição e processamento dos dados de
monitoramento da cultura.

3.2 DADOS ESPECTRAIS

O mapeamento anual do cultivo de cana-de-açúcar, feito pelo Canasat, é realizado


utilizando imagens adquiridas pelos satélites Landsat, CBERS e Resourcesat-I,
disponibilizadas gratuitamente pelo DGI/INPE. O processamento e interpretação das imagens
foram realizados utilizando o software SPRING, conforme descrito por RUDORFF et al.
(2010). Os produtos gerados são mapas e gráficos, além de tabelas da área de cana-de-açúcar
por municípios e estados da região centro-sul. A Figura 7 apresenta o mapeamento da cana-de-
açúcar do estado de São Paulo em 2010. Foram utilizados, para execução do trabalho,
mapeamentos da cultura no formato shape (.shp) do período de 2003 (início do Canasat) a
2010.

27
Figura 7: Área de plantio de cana-de-açúcar no estado de São Paulo em 2010 segundo o
projeto Canasat/INPE.

Para obtenção de séries temporais de imagens de índice de vegetação, albedo e


temperatura de superfície associada à resposta espectral da cana-de-açúcar no período 2001 -
2010 foi utilizado o banco de imagens dos satélites AVHRR/NOAA do Centro de Pesquisas
Meteorológicas e Climáticas Aplicadas à Agricultura, da Universidade Estadual de Campinas
(Cepagri/Unicamp). O Cepagri recebe imagens AVHRR/NOAA diariamente por uma antena
de recepção localizada no prédio em que está instalado, nas coordenadas 22°49’03’’S e
47°03’44”W. O banco de imagens é composto por mais de 54.000 imagens e,
aproximadamente, 5 TB de dados, no período de 1995 até o presente. Contêm imagens no
formato HRPT (High Resolution Picture Transmissions), de 1995 a 2004 e, a partir de janeiro
de 2005, imagens no formato L1B – Level 1B.

28
Foram utilizadas imagens do satélite NOAA-16 para a safra 2001/2002 (abril de 2001
a março de 2002) e para os meses de abril, maio e junho da safra 2002/2003. Foram utilizadas
imagens do satélite NOAA-17 de julho de 2002 a março de 2010, totalizando nove safras de
cana-de-açúcar com imagens de abril de 2001 a março de 2010.

O processamento das imagens do AVHRR/NOAA foi realizado por meio do sistema


NAVPRO (http://www.infoteca.cnptia.embrapa.br/handle/doc/663724), conforme descrito por
ANTUNES (2005) e ESQUERDO (2007). Primeiramente, fez-se a conversão do formato
bruto Telonics T-RIS (HRPT) das imagens AVHRR/NOAA, de 2001 a 2004, e L1B, a partir
de 2005, para um formato genérico, denominado CCAR, compatível com os passos
subsequentes do sistema. O NAVPRO utiliza a metodologia proposta por GOODRUM et al.
(2001) e RAO e CHEN (1996) para fazer a calibração radiométrica, e utiliza a metodologia
proposta por ROSBOROUGH et al. (1994) e EMERY et al. (2003) para fazer o
georreferenciamento preciso, com precisão de um pixel (1,1km) na projeção cartográfica
Cilíndrica Equidistante, pelo método da Máxima Correlação Cruzada (MCC). A técnica MCC
compara a imagem-alvo a uma imagem-base (sendo uma para cada estação do ano),
geometricamente precisa e sem nuvens, utilizando uma janela de busca entre as duas imagens,
detectando feições termais comuns entre ambas, tendo assim, pontos de controle.

A partir da calibração radiométrica foi possível obter imagens diárias de albedo, pela
transformação do valor digital (nível de cinza) em radiância ou refletância aparente (no topo
da atmosfera) para as bandas 1, 2, e 3A, e imagens diárias de temperatura de superfície, pela
transformação do valor digital em temperatura de brilho para as bandas 3B, 4 e 5. A geração
das imagens de NDVI foi por meio da Equação 1, que utiliza as bandas 1 e 2 das imagens
diárias pré-processadas, isto é, imagens obtidas após calibração radiométrica e
georreferenciamento preciso.

No processamento das imagens AVHRR/NOAA foram excluídos pixels com ângulo


zenital solar maior que 70° e ângulos de varredura maiores que 42°, que receberam o valor -
1,1. Para amenizar o efeito da atmosfera nas imagens, geraram-se Composições de Valor
Máximo (MVC) de NDVI, albedo e temperatura de superfície por meio de rotinas IDL
elaboradas por ESQUERDO (2007). Desta maneira, obteve-se uma imagem MVC de cada
variável por mês.

29
A extração dos perfis temporais das composições mensais de NDVI, albedo e
temperatura de superfície foi feita por meio do sistema SatImagExplorer (CHINO et al., 2010).
Este sistema é interativo e permite que o usuário especifique regiões de interesse (ROI),
utilizando como base de entrada uma imagem da série temporal (Figura 63, no Apêndice). O
SatImagExplorer extrapola a indicação de região para todas as imagens da sequência, gerando
séries temporais das ROIs correspondentes à indicada para todas as imagens disponíveis. Essa
ferramenta permite que o usuário possa focar sua análise em pontos estratégicos e de interesse,
além de facilitar a análise de séries longas de dados (CHINO et al., 2010). Desta maneira, as
ROIs foram selecionadas pelas coordenadas dos pontos de cultivo da cana-de-açúcar, obtidos
pelo Canasat, no período de 2001 a 2010, com a finalidade de extrair somente os valores de
NDVI, albedo e temperatura de superfície de cana-de-açúcar, separando-os de área urbana,
solos e outras coberturas.

3.3 DADOS AGROCLIMÁTICOS

Os dados climáticos foram obtidos na página do Agritempo, Sistema de


Monitoramento Agrometeorológico da Embrapa Informática Agropecuária e
Cepagri/Unicamp, (http://www.agritempo.gov.br/). Foram obtidos dados de temperatura (°C)
e precipitação (mm/mês) de abril de 2001 a março de 2010, para 16 municípios que tinham a
série completa de dados, a saber: Araçatuba, Barretos, Bebedouro, Capivari, Guaíra,
Jaboticabal, Jaú, Maracaí, Paraguaçu Paulista, Penápolis, Piracicaba, Ribeirão Preto, São
Carlos, São Simão, Tarumã e Valparaíso. Estes municípios estão bem distribuídos
espacialmente no estado e representam climaticamente os demais municípios selecionados,
como ilustrado na Figura 8.

Além dos dados das estações dos municípios, foram obtidos dados de temperatura
média e precipitação para todo o estado de São Paulo no mesmo período. Os dados de
temperatura média foram estimados utilizando a altitude e latitude das estações disponíveis no
estado pelo Agritempo, pelas equações apresentadas por PINTO et al. (1972). Os dados de
precipitação foram obtidos pelo sistema TRMM (Tropical Rainfall Measuring Mission). Esta
série temporal de precipitação pluviométrica (mm/mês) refere-se ao produto TRMM 3B42 e
está disponível na página da NASA (Goddard Earth Science – GES e Distributed Active

30
Archive System). O pixel do TRMM tem uma área mínima de 0,25 graus, isto é,
aproximadamente 27,7 km2.

Figura 8: Municípios com dados de estação meteorológica no período 2001-2011 do estado de


São Paulo segundo o Agritempo.

Para representar o cenário futuro (2011 a 2020), foram utilizados dados de


temperatura média e precipitação, gerados pelo modelo ETA/CPTEC, cedidos pelo
CPTEC/INPE. O modelo ETA/CPTEC utiliza como condição de contorno o cenário A1B do
SRES, modelo acoplado oceano - atmosfera HadCM3, com tamanho de grade de 40 km e 38
camadas na vertical. Foi utilizado o modelo com cenário de sensibilidade alta, isto é, com alta
emissão de CO2. Para representar a década de 2020 fez-se a média dos anos 2011 a 2020.

Os dados de temperatura média estimada, precipitação do sistema TRMM e do


modelo ETA/CPTEC foram interpolados pelo método de krigagem para obter dados contínuos

31
de todo o estado. A interpolação foi feita por meio do software Surfer 8
(http://www.goldensoftware.com/), na mesma resolução espacial das imagens do
AVHRR/NOAA, com pixel de 1,1km x 1,1km, 945 colunas, 590 linhas e retângulo envolvente
do estado com 557.550 pixels. O recorte dos limites de São Paulo resultou em 220.622 pixels.

O balanço hídrico foi calculado com base no método proposto por


THORNTHWAITE e MATHER (1955), difundido no Brasil por CAMARGO (1962),
conforme roteiro apresentado por PEREIRA et al. (2002), por meio de planilhas do ambiente
Excel (ROLIM et al., 1998). Foram utilizados dados climáticos (temperatura média e
precipitação) de 2001 a 2010 das 16 estações, de temperatura média estimada e do TRMM, e
dados do modelo ETA/CPTEC de 2020 (GONÇALVES et al., 2011c). Com o cálculo do
balanço hídrico foi possível obter os valores do índice ISNA, deficiência hídrica e excedente
hídrico para todo o estado de São Paulo (SILVA e ROMANI, 2013 e HAMADA et al., 2012).

No cálculo do balanço hídrico, estabeleceu-se que a cultura de cana-de-açúcar


apresenta-se no mesmo estádio de crescimento vegetativo e é denominada de “cana planta” e
“cana soca” com ciclo vegetativo de um ano, no qual o plantio inicia-se em agosto e a colheita
em julho. Esta padronização foi estabelecida porque a imagem AVHRR/NOAA tem baixa
resolução espacial e cada pixel da imagem apresenta uma combinação das respostas espectrais
de diversos talhões de cana-de-açúcar, nos diversos estádios de desenvolvimento.

Desse modo, foi possível calcular as evapotranspirações real, potencial e máxima. A


evapotranspiração real, que ocorre em função da disponibilidade de água no solo, é calculada
em relação à alteração do armazenamento (diferença entre o armazenamento do mês em
questão e o armazenamento do mês anterior), ao excedente hídrico e à precipitação. A
disponibilidade de água no solo para a profundidade efetiva das raízes foi estipulada em
100mm de armazenamento. A evapotranspiração máxima foi calculada em função da
evapotranspiração potencial e do coeficiente de cultura (Kc = 1).

32
4 ANÁLISE DOS DADOS

A análise dos dados foi dividida em quatro partes: 1) avaliação da relação entre a
resposta espectral, dados agroclimáticos e valores de produção de cana-de-açúcar; 2)
monitoramento e mapeamento da cana-de-açúcar; 3) modelos numéricos de previsão da
produção de safras de cana-de-açúcar na escala regional, e 4) estimativa da produção de cana-
de-açúcar utilizando o modelo regional de mudanças climáticas ETA/CPTEC.

4.1 AVALIAÇÃO DA RELAÇÃO ENTRE A RESPOSTA ESPECTRAL, DADOS


AGROCLIMÁTICOS E VALORES DE PRODUÇÃO DE CANA-DE-AÇÚCAR

A avaliação da relação entre a reposta espectral, dados agroclimáticos e valores de


produção de cana-de-açúcar no estado de São Paulo, no período 2001 – 2010, foi feita pelo
agrupamento dos municípios similares em relação ao NDVI, clima, produtividade e área
plantada. A Figura 9 ilustra esta etapa, em que foi feito o i) agrupamento dos 50 municípios
selecionados, para encontrar a similaridade entre eles, utilizando dados de área plantada,
produtividade de cana-de-açúcar e NDVI, e ii) agrupamento dos 16 municípios selecionados
(Figura 8) com dados de temperatura do ar, precipitação, área plantada, produtividade e NDVI
no período de 2001 a 2009, conforme descrito por GONÇALVES et al.(2011a e 2011b).

A seleção das variáveis foi feita pela análise de um dendrograma com as variáveis
anuais seguintes: área plantada, produção e produtividade, valores de NDVI (máximo, médio,
soma e mínimo), temperatura do ar (máxima, média e mínima) e precipitação (total) para
eliminar as variáveis correlacionadas reduzindo o tamanho do conjunto a ser analisado. Os
valores de NDVI foram extraídos das imagens MVC do AVHRR/NOAA por meio do sistema
SatImageExplorer, utilizando o mapeamento da cana-de-açúcar feito pelo projeto Canasat.

Em seguida, foi feito o agrupamento das variáveis selecionadas pelo método K-


Means (HAN et al., 2001), utilizando o software Minitab 14 (http://www.minitab.com). Esse
método classifica as observações em grupos, quando os grupos são desconhecidos
inicialmente. O método começa com um agrupamento de observações em um número pré-
definido de grupos (clusters), sendo que nesta etapa foram definidos três grupos
empiricamente. Cada observação é avaliada e movida para o grupo, cujo centroide está mais

33
próximo, utilizando a distância euclidiana. O resultado do agrupamento foi inserido no
software ARCGIS (http://www.esri.com/software/arcgis) para visualização da distribuição
espacial dos municípios similares de cada grupo em todos os anos-safra.

Figura 9: Agrupamento dos municípios similares em relação ao NDVI, clima, produtividade e


área plantada.

As variáveis utilizadas para o agrupamento dos municípios foram selecionadas de


acordo com o grau de similaridade apresentado pelo dendograma. Os conjuntos foram
formados por variáveis com similaridade abaixo de 80% e, ora foi utilizada área plantada e
clima, ora somente valores de produtividade e NDVI. Esses conjuntos foram escolhidos para

34
entender como a resposta espectral da cana-de-açúcar se comporta em relação à área plantada
e ao clima. Desta maneira, foram escolhidos quatro conjuntos de variáveis, a saber:

#1: Área plantada, produtividade e NDVI máximo;


#2: Produtividade e NDVI máximo;
#3: Área plantada, produtividade, NDVI máximo, precipitação e temperatura;
#4: Produtividade, NDVI máximo, precipitação e temperatura.

4.2 MONITORAMENTO E MAPEAMENTO DA CANA-DE-AÇÚCAR

O monitoramento e mapeamento das áreas de plantio de cana-de-açúcar no estado de


São Paulo foram feitos em quatro etapas (Figura 10): 1) Agrupamento do NDVI para
acompanhamento mensal da cana-de-açúcar durante o ano-safra, a partir da maior área
produtora; 2) Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar
durante o ano-safra com base na área total produtora; 3) Agrupamento do NDVI para
acompanhamento anual da cana-de-açúcar no período de 2001 a 2010; e 4) Agrupamento do
NDVI, temperatura de superfície e albedo para mapeamento da cana-de-açúcar.

4.2.1 Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante


o ano-safra a partir da maior área produtora

Na etapa 1, ilustrada na Figura 11, fez-se o agrupamento de valores de NDVI da


cana-de-açúcar para acompanhar o ciclo de desenvolvimento da cultura mês a mês durante um
ano-safra, conforme descrito por ROMANI et al. (2011a). Inicialmente, selecionou-se a maior
região produtora de cana-de-açúcar no estado, correspondente à cena Landsat/TM órbita/ponto
220/75, como mostra a Figura 12. Foram mapeados os talhões de cana-de-açúcar com a
imagem Landsat-7/ETM+, adquirida em 03/10/2002. Utilizando os talhões mapeados, as
séries de valores das imagens MVC de NDVI do AVHRR/NOAA do ano-safra 2002/2003
foram extraídas por meio do sistema SatImagExplorer.

35
Figura 10: Quatro etapas do monitoramento e mapeamento das áreas de plantio de cana-de-
açúcar no estado de São Paulo utilizando séries temporais de dados espectrais, agroclimáticos,
de área plantada e de produção da cultura.

Sobre os valores extraídos de NDVI mensal, foi aplicada a técnica de agrupamento de


dados utilizando o algoritmo K-Means (HAN et al., 2001), disponível no sistema Weka
(HALL et al. 2009), ferramenta que possui várias técnicas de mineração de dados. Com base
em critérios de similaridade, os elementos foram atribuídos a grupos de modo que, nas séries
de NDVI, as áreas agrupadas em um mesmo grupo são mais semelhantes se comparadas a
áreas de outros grupos. Foram gerados dois grupos para cada mês do ano-safra para o
acompanhamento mensal da cana-de-açúcar.

36
A ferramenta Weka fornece o recurso de exibir, ao final da execução do algoritmo, a
qual grupo cada área foi atribuída. Desta maneira, utilizou-se o resultado do agrupamento para
a visualização da distribuição espacial dos pontos num espaço geográfico. Isto foi feito
utilizando o software Idrisi (http://www.clarklabs.org/products/idrisi.cfm).

Figura 11: Etapa 1 - Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar


durante o ano-safra 2002/2003 na maior área produtora de São Paulo.

37
Figura 12: Maior região produtora de cana-de-açúcar no estado, destacando o mapeamento
dos talhões de cana-de-açúcar.

4.2.2 Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante


o ano-safra com base na área total produtora

Na etapa 2, ilustrada na Figura 13, fez-se o agrupamento de valores de NDVI da


cana-de-açúcar para acompanhar o ciclo de desenvolvimento da cultura mês a mês durante um
ano-safra em toda a área produtora do estado de São Paulo, conforme descrição feito por
ROMANI et al. (2011b) e AMARAL et al. (2011).

38
Figura 13: Etapa 2 - Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar
durante o ano-safra em toda área produtora de São Paulo.

Nesta etapa, foram utilizados talhões de cana-de-açúcar mapeados pelo projeto


Canasat, do ano-safra 2004/2005. As séries temporais mensais de valores das imagens MVC
de NDVI do AVHRR/NOAA foram extraídas utilizando o sistema SatImagExplorer. Neste
sistema foram implementadas e incorporadas técnicas de agrupamento, incluindo suporte à
descoberta de padrões nos dados extraídos de imagens de satélite. A ferramenta recebe
imagens de satélite como entrada, extrai séries temporais relativas aos dados das imagens da
área de estudo e executa a técnica de agrupamento escolhida. Sobre os valores de NDVI
mensal extraídos, foi aplicada a técnica de agrupamento de dados utilizando o algoritmo K-
Means (HAN et al., 2001). Nesta abordagem, cada elemento do conjunto de dados é definido
por apenas um valor de NDVI, referente ao índice de um mês de uma safra, em uma

39
determinada localização (pixel da imagem), visando análises mensais da região de interesse.
Nesse caso, a função de distância utilizada foi a euclidiana. Com base em critérios de
similaridade, os elementos foram atribuídos a grupos de modo que, nas séries de NDVI, as
áreas agrupadas em um mesmo grupo são mais semelhantes se comparadas a áreas de outros
grupos. Foram gerados cinco grupos para cada mês do ano-safra, sendo possível acompanhar o
estádio de desenvolvimento da cultura em cada mês como, por exemplo, se a cultura está no
seu pico de desenvolvimento, se já foi colhida e se há mistura espectral com outra cultura
agrícola ou vegetação.

4.2.3 Agrupamento do NDVI para acompanhamento anual da cana-de-açúcar no período


de 2001 a 2010

Na etapa 3, ilustrada na Figura 14, fez-se o agrupamento de valores de NDVI da


cana-de-açúcar para acompanhar as variações de plantio ano a ano e, por fim, analisou-se o
comportamento da cultura na década de 2000, conforme detalhado por AMARAL et al.
(2011). O agrupamento foi feito com as séries temporais extraídas das imagens MVC de
NDVI do AVHRR/NOAA, utilizando o mapeamento da cana-de-açúcar feito pelo Canasat
para cada ano-safra, por meio do sistema SatImageExplorer.

O agrupamento dos pontos da área de estudo foi feito pelos métodos K-Means, K-
Medoids, implementados no sistema SatImagExplorer, ambos descritos em HAN et al. (2001).
Nesta etapa, foi utilizada a abordagem métrica DTW, função de distância muito aplicada na
análise de séries temporais (BERNDT e CLIFFORD, 1994), que visa trabalhar com séries de
valores de NDVI, de modo que cada elemento do conjunto seja definido por uma série de
NDVI correspondente a uma ou várias safras de cana-de-açúcar. Os agrupamentos foram
determinados por cinco grupos para cada ano-safra (2001 a 2010) e para a década (2001-
2010). Nesta etapa foram gerados cinco grupos para acompanhamento anual da cultura de
acordo com o tipo de plantio de cada ano-safra como, por exemplo, soca, reformada, em
reforma, expansão e plantio não definido.

40
Figura 14: Etapa 3 - Agrupamento do NDVI para o acompanhamento anual da cana-de-açúcar
no período de 2001 a 2010.

4.2.4 Agrupamento do NDVI, temperatura de superfície e albedo para mapeamento da


cana-de-açúcar.

A Figura 15 ilustra a etapa 4, na qual foi feito o agrupamento das séries temporais de
NDVI, temperatura de superfície e albedo para o mapeamento das áreas de plantio de cana-de-
açúcar no estado de São Paulo.

Nesta etapa foi utilizado também o sistema SatImagExplorer. Foi feita a extração de
séries temporais de NDVI, temperatura de superfície e albedo das imagens MVC do
AVHRR/NOAA. Foram utilizadas 324 imagens mensais de NDVI, albedo e temperatura de

41
superfície no período estudado. Logo, para cada variável, obteve-se uma série temporal com
108 imagens, totalizando um conjunto de dados contendo 220.238 séries temporais (pixels)
por imagem. Estas séries temporais foram os dados de entrada para o agrupamento pelos
métodos K-Means (HAN et al. 2001) e Clarans (NG e HAN, 2002). O agrupamento foi feito
com a função de distância DTW, com cinco e seis grupos, respectivamente. Foram gerados
cinco e seis grupos para identificar as áreas de plantio de cana-de-açúcar e outros alvos, como,
água, área urbana, agricultura em geral, pastagem e áreas florestais. Nesta etapa, excluiu-se a
região litorânea do estado, pois não há plantio significativo de cana-de-açúcar e, também, para
diminuir os ruídos e não reduzir a eficiência do algoritmo de agrupamento utilizado.

Figura 15: Etapa 4 - Agrupamento do NDVI, temperatura de superfície e albedo para


mapeamento da área plantada de cana-de-açúcar.

42
4.3 MODELOS NUMÉRICOS DE PREVISÃO DA PRODUÇÃO DE SAFRAS DE
CANA-DE-AÇÚCAR NA ESCALA REGIONAL

A Figura 16 apresenta o esquema das etapas executadas para o processamento das


séries temporais visando o desenvolvimento de modelos numéricos aplicados ao planejamento
regional da cana-de-açúcar, descritas a seguir. Inicialmente, fez-se uma análise exploratória
dos dados a fim de compreender melhor seu comportamento e validar a seleção das variáveis
visando reduzir o tamanho do conjunto a ser utilizado no processamento dos dados. A análise
exploratória dos dados foi feita utilizando o programa SiroSOM©, desenvolvido pela CSIRO
(Australian Commonwealth Scientific and Research Organization).

Figura 16: Etapas do processamento das séries temporais visando o desenvolvimento de


modelos numéricos aplicados ao planejamento regional da cana-de-açúcar.

O SiroSOM é um programa de Self-Organizing Maps (SOM), ou Mapas Auto-


Organizáveis (KOHONEN 1982, 2001), referindo-se ao método capaz de analisar, visualizar e

43
interpretar dados espaciais tendo como base os princípios de quantização vetorial e medidas
do vetor similaridade. No ambiente SOM, cada amostra é tratada como um vetor n-
dimensional (nD) em um espaço amostral definido pelas variáveis desta amostra. Pelo fato da
análise ser feita a partir da quantização vetorial, tanto variáveis contínuas quanto categóricas
podem ser inseridas na análise, o que a torna ideal para dados geocientíficos distintos e
complexos. Devido ao fato de se tratar de uma análise não supervisionada, não é necessário o
conhecimento prévio sobre os dados (CARNEIRO, 2010). No SiroSOM©, foi feita a
correlação de Spearman e a análise de componentes principais (PCA) sobre as variáveis
NDVI, albedo, temperatura de superfície, ISNA, excedente hídrico, deficiência hídrica,
precipitação, temperatura do ar, área plantada, produção e produtividade de cana-de-açúcar.

A correlação de Spearman é mais utilizada para variáveis mensuradas em nível


ordinal, diferentemente da correlação de Pearson. Inicialmente, não mostra necessariamente
tendência linear, mas pode ser considerada como índice de monotonicidade, ou seja, é uma
medida de correlação não-paramétrica, avaliando uma função monótona arbitrária que pode
ser a descrição da relação entre duas variáveis, sem fazer nenhuma suposição sobre a
distribuição de frequências das variáveis. Para aumentos positivos da correlação, aumentos no
valor de X correspondem a aumentos no valor de Y, e para coeficientes negativos ocorre o
oposto. O quadrado do índice de correlação não pode ser interpretado como a proporção da
variância comum às duas variáveis (BUNCHAFT e KELLNER, 1999). A correlação de
Spearman foi aplicada com nível de significância de 0,95 (P-valor < 0,05).

Após a correlação de Spearman, fez-se a análise de componentes principais para


analisar as inter-relações entre o grande número de variáveis e explicar essas variáveis em
termos de suas dimensões inerentes comuns (HAIR JR et al., 2009). Desta maneira, é possível
condensar a informação contida em várias variáveis originais para um conjunto menor de
variáveis estatísticas com uma perda mínima de informação.

Com a seleção do conjunto reduzido de variáveis foi feita a Regressão Linear


Múltipla, que é um modelo de regressão com duas ou mais variáveis independentes. Esta
regressão analisa a relação entre uma única variável dependente (critério) e várias variáveis
independentes (preditoras), isto é, utiliza as variáveis independentes cujos valores são
conhecidos para prever os valores da variável dependente selecionada (HAIR JR et al., 2009).

44
4.4 ESTIMATIVA DA PRODUÇÃO DE CANA-DE-AÇÚCAR UTILIZANDO O
MODELO REGIONAL DE MUDANÇAS CLIMÁTICAS ETA/CPTEC
Os modelos gerados pela regressão linear múltipla utilizaram somente pontos de
cana-de-açúcar, algo em torno de 28.000 pontos, e dados de entrada de área, NDVI e ISNA,
com um valor anual, do ano-safra anterior para estimar o valor de produção do ano-safra
seguinte. Os valores anuais de NDVI e ISNA foram adquiridos pela média dos valores dos
meses de dezembro a março, meses em que a cana está no pico de desenvolvimento. Os
modelos foram validados utilizando dados de produção do ano-safra observado em relação à
produção estimada, a fim de mostrar o erro médio de cada modelo. Com o erro médio baixo
(abaixo de 5%), foi possível quantificar os valores de produção para o ano de 2020 utilizando
dados do modelo regional de mudanças climáticas ETA/CPTEC.

Para estimar os valores de produção do ano 2020, utilizaram-se os modelos gerados


para os anos de 2002 e 2009, modelos que correspondem a um ano seco e a um ano mais
chuvoso, respectivamente. Os dados de produção foram obtidos com i) dados de área plantada
de 2009 e valores de área com acréscimo de 5%, 10% e 15% em relação a 2009; ii) ISNA
calculado com os valores de temperatura e precipitação do modelo regional de mudanças
climáticas ETA/CPTEC para 2020; e iii) NDVI de 2001 e 2009, anos determinados por
apresentarem valores menores e maiores de NDVI, respectivamente.

45
46
5 RESULTADOS E DISCUSSÕES

Os resultados serão apresentados de acordo com a descrição feita na Análise dos


Dados. Desta maneira, os resultados foram divididos em quatro partes: 1) avaliação da relação
entre a resposta espectral, dados agroclimáticos e valores de produção de cana-de-açúcar; 2)
monitoramento e mapeamento da cana-de-açúcar; 3) modelos numéricos de previsão da
produção de safras de cana-de-açúcar na escala regional, e 4) estimativa da produção de cana-
de-açúcar utilizando o modelo regional de mudanças climáticas ETA/CPTEC.

5.1 RESULTADOS DA AVALIAÇÃO DA RELAÇÃO ENTRE A RESPOSTA


ESPECTRAL, DADOS AGROCLIMÁTICOS E VALORES DE PRODUÇÃO DE
CANA-DE-AÇÚCAR

Nessa análise, foram detectados os municípios similares produtores de cana-de-


açúcar no estado de São Paulo, utilizando a técnica de agrupamento (K-Means). Foram
consideradas as variáveis espectrais (NDVI), área plantada, produtividade, precipitação e
temperatura no período de 2001 a 2009 para detecção da similaridade.

O primeiro resultado, ilustrado na Figura 17, pelo dendrograma, mostra que as


variáveis área plantada e produção de cana-de-açúcar são similares (98%), o valor médio e a
soma de NDVI também são similares (100%), e a produtividade e o NDVI máximo
apresentaram 81% de similaridade. As temperaturas máxima, média e mínima têm 86% de
similaridade e 76% de similaridade em relação à precipitação. O dendrograma também mostra
que as variáveis área plantada e produção apresentaram 66% de similaridade com as demais
variáveis e 71% de similaridade com produtividade e NDVI máximo, precipitação,
temperaturas máxima, média e mínima. Desta maneira, as variáveis selecionadas para a
execução dos experimentos foram área plantada, produtividade, NDVI máximo, temperatura e
precipitação por apresentarem similaridade entre si abaixo de 80%.

47
Figura 17: Dendrograma com ligação simples e coeficiente de correlação de distância das
variáveis.

De acordo com os agrupamentos dos conjuntos das variáveis, os resultados seguintes


foram obtidos:

#1: Área plantada, produtividade e NDVI máximo

A Figura 18 ilustra o agrupamento das variáveis área plantada, produtividade e NDVI


máximo para os 50 municípios maiores produtores de cana-de-açúcar nas safras 2001/2002 a
2008/2009. Os mapas (A a H) (Figura 18) mostram que foi possível selecionar municípios
similares ao longo de uma série temporal de imagens do AVHRR/NOAA, com baixa
resolução espacial, e dados de área plantada e produtividade de cana-de-açúcar do IBGE.

Um aspecto relevante indicado na análise foi o município de Morro Agudo que


apresentou um padrão diferente de todos os outros, constituindo um único agrupamento em
toda a série temporal. O município apresenta área plantada diferente dos demais, tendo a maior

48
do estado de São Paulo. Isso fica evidente no agrupamento em todos os anos-safra. Os demais
municípios variaram a classe do agrupamento de ano para ano, em função da área plantada,
produtividade e NDVI.

A Tabela 2 e as Figuras 64 a 66, no Apêndice, apresentam os valores dos centroides


dos agrupamentos 1, 2, 3 e do centroide da análise das variáveis área plantada, produtividade e
NDVI máximo. O agrupamento 1 (grupo 1) apresentou maior área plantada, representado
somente pelo município de Morro Agudo. O agrupamento 2 (grupo 2) apresentou os
municípios com as menores áreas e o grupo 3, os demais municípios com áreas maiores do
que as do grupo 2 e menores do que Morro Agudo. Pode-se observar na Tabela 2 que a área
plantada e produtividade têm aumentado ao longo dos últimos oito anos nos agrupamentos.

O aumento da área plantada também pode ser acompanhado observando os mapas de


agrupamento (de A a H) por ano na Figura 18. No mapa A (Figura 18), a maioria dos
municípios estão no grupo 2 (vermelho) que tem área plantada menor. Já, o mapa H (Figura
18) possui mais municípios no grupo 3 (verde) com área plantada maior. O ano safra
2005/2006 possui um padrão bastante diferente dos demais anos, pois é o único em que o
grupo 2 possui menos municípios do que o grupo 3 (Tabela 3).

De acordo com os valores da Tabela 3 e Figura 19, o número de municípios no grupo


2 tem uma tendência de queda, embora esse número tenha aumentado em alguns anos, como é
o caso das safras 2004/2005 e 2006/2007. O grupo 3, ao contrário, mostrou um aumento no
número de municípios a cada ano, o que pode estar relacionado com a expansão das áreas
produtoras de cana-de-açúcar em cada município.

49
A B

C D

E F Continua

50
G H
Figura 18: Agrupamento das variáveis área plantada, produtividade e NDVI máximo para os
50 municípios maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009.

Tabela 2: Valores dos centroides dos agrupamentos 1, 2, 3 e do centroide da análise das


varáveis área plantada (ha), produtividade (ton/ha) e NDVI máximo.
Safra Variável Grupo 1 Grupo 2 Grupo 3 Centroide
Área plantada 78000 18430 33620 23670
2001/2002 Produtividade 80,00 81,10 75,30 79,52
NDVI Máximo 0,574 0,564 0,573 0,567
Área plantada 60000 17270 30550 23710
2002/2003 Produtividade 100,00 83,23 79,19 81,84
NDVI Máximo 0,662 0,634 0,630 0,633
Área plantada 93000 17880 29710 24780
2003/2004 Produtividade 90,00 81,43 80,64 81,23
NDVI Máximo 0,614 0,613 0,610 0,612
Área plantada 90000 19580 31870 25660
2004/2005 Produtividade 88,00 81,13 81,96 81,58
NDVI Máximo 0,642 0,623 0,616 0,621
Continua

51
Área plantada 86600 18260 30960 25190
2005/2006 Produtividade 90,47 85,06 84,09 84,74
NDVI Máximo 0,616 0,611 0,610 0,611
Área plantada 93000 21190 36200 28060
2006/2007 Produtividade 82,00 84,40 81,53 83,30
NDVI Máximo 0,634 0,620 0,612 0,617
Área plantada 93000 22150 39620 30910
2007/2008 Produtividade 82,00 84,47 83,56 84,04
NDVI Máximo 0,627 0,628 0,625 0,62
Área plantada 114000 23190 42520 33490
2008/2009 Produtividade 90,00 85,62 85,50 85,66
NDVI Máximo 0,670 0,633 0,620 0,628

Figura 19: Gráfico com número de municípios produtores em cada classe do agrupamento.

52
Tabela 3: Número de municípios produtores em cada classe do agrupamento.
Grupo 2001/02 2002/03 2003/04 2004/05 2005/06 2006/07 2007/08 2008/09
1 1 1 1 1 1 1 1 1
2 36 29 27 30 23 31 29 27
3 14 21 23 20 27 19 21 23

#2: Produtividade e NDVI máximo

A Figura 20 ilustra o agrupamento das variáveis produtividade e NDVI máximo para


os 50 municípios maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009. Os
mapas (A a H) (Figura 20) mostram que também foi possível selecionar municípios similares
ao longo de uma série temporal de imagens do AVHRR/NOAA, e dados de produtividade de
cana-de-açúcar do IBGE. Os grupos foram formados sem a área plantada, sendo distintos da
primeira análise descrita no item anterior. O munícipio de Morro Agudo, que apresentou um
padrão diferente dos outros municípios, com um único agrupamento em toda a série temporal,
aparece em grupos diferentes de ano para ano, pois os dados de produtividade deste município
variaram durante os anos da série temporal de acordo com os demais municípios.

A Tabela 4 e as Figuras 67 e 68, no Apêndice, apresentam os valores dos centroides


dos agrupamentos 1, 2, 3 e do centroide da análise das variáveis produtividade e NDVI
máximo. O agrupamento 1 (grupo 1) apresentou maior produtividade. O agrupamento 2
(grupo 2) apresentou os municípios com produtividade média e o grupo 3, os demais
municípios com produtividades menores. Pode-se observar na Tabela 4 que a produtividade,
de maneira geral, tem aumentado ao longo dos últimos oito anos em todos os agrupamentos,
com exceção do ano-safra 2005/2006 que teve produtividade baixa no grupo 2 e média no
grupo 3, e os anos-safra 2007/2008 e 2008/2009 apresentaram produtividade média no grupo 1
e produtividade alta no grupo 2.

O aumento da produtividade também pode ser acompanhado observando os mapas de


agrupamentos (de A a H) por ano-safra na Figura 20. No mapa A (Figura 20), a maioria dos
municípios estão no grupo 2 (vermelho) que tem produtividade média e enquanto nos mapas
B, C, e D (Figura 20) a maioria dos municípios apareceram no grupo 1 (azul), com valores de

53
produtividade maior. Já, os mapas E, G e H (Figura 20) possuem mais municípios nos grupos
1(azul) e 3 (verde) com produtividade média e baixa de acordo com os valores dos centroides
(Tabela 4), sendo anos-safra anos com padrão bastante diferente dos demais anos.

De acordo com os valores da Tabela 5 e Figura 21, o número de municípios no grupo


2 tem uma tendência de queda, embora o valor de produtividade tenha aumentado nos anos-
safra 2007/2008 e 2008/2009. Os grupos 1 e 3, ao contrário, tiveram um aumento no número
de municípios a cada ano, o que pode estar relacionado com a expansão das áreas produtoras
de cana-de-açúcar em cada município e com os valores de NDVI do ano-safra.

A B

C D Continua

54
E F

G H
Figura 20: Agrupamento das variáveis produtividade e NDVI máximo para os 50 municípios
maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009.

Tabela 4: Valores dos centroides dos agrupamentos 1, 2, 3 e do centroide da análise das


varáveis produtividade (ton/ha) e NDVI máximo.
Safra Variável Grupo 1 Grupo 2 Grupo 3 Centroide
Produtividade 90,88 78,74 69,45 79,52
2001/2002
NDVI Máximo 0,576 0,565 0,567 0,567
Continua

55
Produtividade 92,80 81,51 71,57 81,85
2002/2003
NDVI Máximo 0,643 0,635 0,619 0,633
Produtividade 91,12 79,88 70,46 81,23
2003/2004
NDVI Máximo 0,614 0,612 0,609 0,612
Produtividade 89,51 79,94 73,33 81,59
2004/2005
NDVI Máximo 0,636 0,611 0,613 0,621
Produtividade 93,49 75,49 83,11 84,74
2005/2006
NDVI Máximo 0,623 0,605 0,606 0,611
Produtividade 92,13 81,23 72,93 83,31
2006/2007
NDVI Máximo 0,620 0,619 0,609 0,618
Produtividade 87,91 99,00 78,04 84,04
2007/2008
NDVI Máximo 0,633 0,623 0,623 0,627
Produtividade 90,09 97,50 80,80 85,66
2008/2009
NDVI Máximo 0,642 0,618 0,621 0,628

Figura 21: Gráfico com número de municípios produtores em cada classe do agrupamento.

56
Tabela 5: Número de municípios produtores em cada classe do agrupamento.
Grupo 2001/02 2002/03 2003/04 2004/05 2005/06 2006/07 2007/08 2008/09
1 11 13 18 20 17 16 21 20
2 31 26 20 16 12 28 5 4
3 10 13 14 16 23 8 26 28

#3: Área plantada, produtividade, NDVI máximo, precipitação e temperatura

A Figura 22 ilustra o agrupamento das variáveis área plantada, produtividade, NDVI


máximo, precipitação e temperatura mínima e máxima para 16 municípios produtores de cana-
de-açúcar nas safras 2001/2002 a 2008/2009 distribuídos nas regiões produtoras de cana-de-
açúcar. Os mapas A a H (Figura 22) mostram que foi possível selecionar municípios similares
ao longo das séries temporais das variáveis selecionadas.

A Tabela 6 e as Figuras 69 a 74, no Apêndice, apresentam os valores dos centroides


dos agrupamentos 1, 2, 3 e do centroide da análise das variáveis área plantada, produtividade,
NDVI máximo, precipitação e temperatura. O agrupamento 1 (grupo 1) apresentou área
plantada menor. O agrupamento 2 (grupo 2) apresentou os municípios com as maiores áreas e
o grupo 3, os demais municípios com áreas médias. Pode-se observar na Tabela 6 que a área
plantada tem aumentado ao longo dos últimos oito anos em todos os agrupamentos, e a
produtividade variou de ano para ano.

Diferente das análises anteriores, as análises destes municípios consideraram o clima


e a produtividade. Desta maneira, cada ano tem um agrupamento com padrão diferente do
outro do ano, mas na maioria das vezes, quando a área plantada é baixa e a precipitação é
baixa, a produtividade é média (grupo 1); quando á área plantada é alta e a precipitação é
média, a produtividade é baixa (grupo 2); e quando a área plantada é média e a precipitação é
alta, a produtividade é alta (grupo 3). Esta análise pode ser observada nos mapas de
agrupamento (de A a H) por ano na Figura 22 e na Tabela 6. De acordo com os valores da
Tabela 7 e Figura 23, o número de municípios variou pouco de um ano para outro. Somente os
anos-safra de 2002/2003 e 2003/2004 tiveram mais municípios no grupo 1, com área plantada
baixa e, no grupo 3, com área plantada média, respectivamente.

57
A B

C D

E F Continua

58
G H
Figura 22: Agrupamento das variáveis área plantada, produtividade e NDVI máximo e clima
para 16 municípios produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009.

Tabela 6: Valores dos centroides dos agrupamentos 1, 2, 3 e do centroide da análise das


varáveis área plantada (ha), produtividade (ton/ha), NDVI máximo, precipitação (mm/ano) e
temperatura máxima e mínima (°C).

Safra Variável Grupo 1 Grupo 2 Grupo 3 Centroide


Área plantada 16048,17 22300,00 37640,00 24749,31
Produtividade 84,14 80,80 73,82 79,87
NDVI Máximo 0,572 0,557 0,566 0,565
2001/2002
Precipitação 1510,07 1610,40 1619,80 1575,71
Temperatura Máxima 30,15 30,28 28,58 29,70
Temperatura Mínima 16,37 17,18 16,87 16,77
Área plantada 17442,00 27500,00 39000,00 24717,38
Produtividade 84,83 81,24 79,50 82,82
2002/2003 NDVI Máximo 0,627 0,632 0,620 0,626
Precipitação 1375,48 1545,00 1355,90 1402,37
Continua

59
Temperatura Máxima 31,12 30,56 29,92 30,72
Temperatura Mínima 17,62 18,12 17,25 17,62
Área plantada 16383,25 37300,00 23908,00 25374,81
Produtividade 80,61 80,00 83,24 81,78
NDVI Máximo 0,618 0,620 0,599 0,609
2003/2004
Precipitação 1053,28 1402,98 1117,35 1172,74
Temperatura Máxima 30,00 29,17 29,99 29,79
Temperatura Mínima 16,35 16,14 16,23 16,24
Área plantada 16437,50 36822,20 24936,26 26525,94
Produtividade 81,75 77,87 84,13 81,58
NDVI Máximo 0,628 0,609 0,610 0,614
2004/2005
Precipitação 1453,20 1414,10 1387,19 1412,10
Temperatura Máxima 29,39 28,84 29,38 29,22
Temperatura Mínima 17,06 16,35 16,94 16,79
Área plantada 15344,14 38702,00 25618,75 25212,13
Produtividade 82,79 80,00 92,39 84,32
NDVI Máximo 0,611 0,609 0,625 0,614
2005/2006
Precipitação 1355,63 1304,00 1386,50 1347,21
Temperatura Máxima 30,24 29,49 29,95 29,93
Temperatura Mínima 17,18 17,27 17,47 17,28
Área plantada 18610,17 42833,33 29387,50 30388,19
Produtividade 81,47 81,67 81,60 81,58
NDVI Máximo 0,625 0,613 0,608 0,616
2006/2007
Precipitação 1397,07 1452,10 1629,83 1475,89
Temperatura Máxima 29,92 30,04 31,16 30,28
Temperatura Mínima 16,08 16,72 16,55 16,44
Área plantada 20002,80 48176,67 32360,00 34429,63
2007/2008
Continua

60
Produtividade 83,80 83,67 85,00 84,13
NDVI Máximo 0,629 0,621 0,623 0,624
Precipitação 1106,80 1212,85 1283,76 1201,87
Temperatura Máxima 29,57 30,70 30,43 30,26
Temperatura Mínima 16,05 16,43 17,45 16,63
Área plantada 39308,00 55875,00 23133,50 37384,31
Produtividade 86,17 86,18 83,27 85,08
NDVI Máximo 0,609 0,633 0,626 0,621
2008/2009
Precipitação 1251,30 1190,23 1233,72 1229,44
Temperatura Máxima 30,28 29,83 29,10 29,73
Temperatura Mínima 17,13 15,81 15,99 16,38

Figura 23: Gráfico com número de municípios produtores em cada classe do agrupamento.

61
Tabela 7: Número de municípios produtores em cada classe do agrupamento.
Grupo 2001/02 2002/03 2003/04 2004/05 2005/06 2006/07 2007/08 2008/09
1 6 9 4 4 7 6 5 6
2 5 3 4 5 5 6 6 4
3 5 4 8 7 4 4 5 6

#4: Produtividade, NDVI, precipitação e temperatura

A Figura 24 ilustra o agrupamento das variáveis produtividade, NDVI máximo,


precipitação e temperatura para 16 municípios produtores de cana-de-açúcar nas safras
2001/2002 a 2008/2009. Os mapas (A a H) mostram que foi possível selecionar municípios
similares ao longo de uma série temporal de imagens do AVHRR/NOAA.

A Tabela 8 e as Figuras 75 a 79, no Apêndice, apresentam os valores dos centroides


dos agrupamentos 1, 2, 3 e do centroide da análise das variáveis produtividade, NDVI
máximo, precipitação e temperatura. O agrupamento 1 (grupo 1) apresentou, na maior parte
dos anos, valores baixos de produtividade, NDVI e precipitação. O agrupamento 2 (grupo 2)
apresentou os municípios com valores altos de NDVI e precipitação e valores médios de
produtividade, e o grupo 3, valores médios de NDVI e precipitação e valores altos de
produtividade.

O aumento da produtividade também pode ser acompanhado observando os mapas de


agrupamento (de A a H) por ano na Figura 24. No mapa A, a maioria dos municípios está no
grupo 1 (azul) que tem produtividade menor. Já o mapa H possui mais municípios nos grupos
2 e 3 (vermelho e verde) com produtividade média e alta, respectivamente.

De acordo com os valores da Tabela 9 e Figura 25, o número de municípios no grupo


1 tem uma tendência de queda, embora esse número tenha aumentado em alguns anos, como é
o caso das safras 2003/2004 e 2007/2008. O grupo 2, ao contrário, mostrou um aumento no
número de municípios a cada ano, relacionado com o aumento do NDVI.

62
A B

C D

E F Continua

63
G H
Figura 24: Agrupamento das variáveis produtividade e NDVI máximo e clima para 16
municípios maiores produtores de cana-de-açúcar nas safras 2001/2002 a 2008/2009.

Tabela 8: Valores dos centroides dos agrupamentos 1, 2, 3 e do centroide da análise das


varáveis produtividade (ton/ha), NDVI máximo, precipitação (mm/ano) e temperatura máxima
e mínima (°C).

Safra Variável Grupo 1 Grupo 2 Grupo 3 Centroide


Produtividade 77,56 80,00 81,87 79,87
NDVI Máximo 0,565 0,561 0,568 0,566
2001/2002 Precipitação 1792,36 1982,70 1335,28 1575,71
Temperatura Máxima 29,22 31,04 29,95 29,69
Temperatura Mínima 17,39 16,78 16,23 16,77
Produtividade 82,35 87,90 80,83 82,82
NDVI Máximo 0,610 0,649 0,633 0,626
2002/2003 Precipitação 1216,20 1747,53 1446,98 1402,37
Temperatura Máxima 31,16 30,44 30,34 30,72
Temperatura Mínima 17,87 17,06 17,61 17,62
Produtividade 77,80 83,99 87,50 81,78
2003/2004
Continua

64
NDVI Máximo 0,599 0,608 0,629 0,609
Precipitação 958,04 1186,45 1588,43 1172,74
Temperatura Máxima 29,88 29,81 29,57 29,79
Temperatura Mínima 16,06 16,54 16,31 16,24
Produtividade 77,68 83,28 81,54 81,58
NDVI Máximo 0,577 0,625 0,620 0,614
2004/2005 Precipitação 1030,67 1620,87 1359,25 1412,10
Temperatura Máxima 29,52 28,83 29,51 29,21
Temperatura Mínima 17,96 16,59 16,44 16,79
Produtividade 82,03 83,83 85,46 84,32
NDVI Máximo 0,597 0,619 0,613 0,614
2005/2006 Precipitação 1045,30 1457,36 1323,33 1347,21
Temperatura Máxima 28,65 30,39 29,84 29,93
Temperatura Mínima 18,42 17,57 16,66 17,28
Produtividade 87,50 84,49 78,65 81,58
NDVI Máximo 0,606 0,624 0,614 0,616
2006/2007 Precipitação 1957,10 1255,82 1491,22 1475,89
Temperatura Máxima 32,29 29,48 30,27 30,28
Temperatura Mínima 16,14 15,78 16,87 16,44
Produtividade 84,17 82,71 87,33 84,13
NDVI Máximo 0,622 0,622 0,632 0,624
2007/2008 Precipitação 1072,67 1213,40 1433,37 1201,87
Temperatura Máxima 30,39 30,37 29,73 30,26
Temperatura Mínima 16,45 16,71 16,79 16,63
Produtividade 89,03 85,18 83,00 85,08
NDVI Máximo 0,606 0,629 0,620 0,621
2008/2009
Precipitação 958,90 1209,40 1388,08 1229,44
Continua

65
Temperatura Máxima 29,80 29,99 29,38 29,73

Temperatura Mínima 15,94 16,29 16,69 16,38

Figura 25: Gráfico com número de municípios produtores em cada classe do agrupamento.

Tabela 9: Número de municípios produtores em cada classe do agrupamento.


Grupo 2001/02 2002/03 2003/04 2004/05 2005/06 2006/07 2007/08 2008/09
1 7 7 8 3 2 2 6 3
2 1 3 4 7 7 5 7 7
3 8 6 4 6 7 9 3 6

Neste contexto, esta etapa mostrou que é possível avaliar valores de NDVI, obtidos
de imagens multitemporais de baixa resolução espacial, relacionando-os com outras variáveis,
como a área plantada, produtividade e clima. A técnica de agrupamento destaca mudanças nas
safras de cana-de-açúcar ao longo da série temporal.

66
5.2 RESULTADOS DO MONITORAMENTO E MAPEAMENTO DA CANA-DE-
AÇÚCAR
Os resultados do monitoramento e mapeamento da cana-de-açúcar utilizando séries
temporais dos dados espectrais, agroclimáticos, área e produção da cultura no estado de São
Paulo, no período de 2001 a 2010, serão descritos a seguir em quatro etapas. São elas: 1)
Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante o ano-safra a
partir da maior área produtora; 2) Agrupamento do NDVI para acompanhamento mensal da
cana-de-açúcar durante o ano-safra com base na área total produtora; 3) Agrupamento do
NDVI para acompanhamento anual da cana-de-açúcar no período de 2001 a 2010; e 4)
Agrupamento do NDVI, temperatura de superfície e albedo para mapeamento da cana-de-
açúcar.

5.2.1 Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante


o ano-safra a partir da maior área produtora

Os resultados desta etapa estão relacionados ao uso da técnica de agrupamento de


dados para auxiliar no acompanhamento de safras de cana-de-açúcar a partir de séries
temporais de NDVI mensal, pixel a pixel, obtidas do satélite AVHRR/NOAA. Os
experimentos realizados concentraram-se em áreas com alta produção de cana-de-açúcar,
ilustrada na Figura 12, e visaram mostrar que é possível acompanhar a evolução da cultura ao
longo da safra 2002/2003 identificando regiões com padrões semelhantes.

Analisando as imagens MVC de NDVI na região nordeste de São Paulo pode-se


perceber a evolução do crescimento vegetativo da cana-de-açúcar (Figura 26). O plantio
inicia-se em agosto (Figura 26I) contendo imagens em tons de verde e azul na região nordeste
do estado. Essas cores representam o NDVI baixo (em torno de 0,2) caracterizando regiões
com solo exposto e pouca vegetação. Isso vale também para os meses de setembro a novembro
(Figuras 26K, 26M e 26O). A partir de dezembro (Figura 26Q), quando a cana-de-açúcar
começa a se desenvolver e adquirir mais biomassa, essas regiões apresentam tons amarelados,
alaranjados e avermelhados. Os meses de fevereiro a maio (Figuras 26U, 26W, 26A, 26C)
apresentam um tom avermelhado mais forte, período em que a cana-de-açúcar está no maior

67
estádio de desenvolvimento e onde o NDVI é máximo (valores entre 0,7 e 0,8). As áreas
escuras nas imagens representam nuvens e água.

A partir das imagens MVC de NDVI, foram gerados os perfis temporais de NDVI e
extraídos seus valores mensais. Sobre esses valores foi aplicado o algoritmo K-Means
considerando dois grupos. A Figura 26 ilustra as imagens MVC e os grupos resultantes do
processo de agrupamento na região de interesse, onde o grupo 1 em azul representa o NDVI
baixo e médio, e o grupo 2 em vermelho indica um NDVI mais alto. É possível observar que o
grupo 2 é predominante nos meses de dezembro a maio (Figuras 26R, 26T, 26V, 26X, 26B,
26D), correspondendo ao NDVI alto que também aparece em vermelho nas imagens MVC. Já
nos meses de junho a novembro (Figuras 26F, 26H, 26J, 26L, 26N, 26P), quando o NDVI é
baixo (tons de verde nas imagens MVC), o grupo 1 é predominante. O agrupamento dos
valores de NDVI coincide, portanto, com a evolução do crescimento vegetativo da cana-de-
açúcar na área de estudo apresentada nas imagens MVC.

A Tabela 10 e Figura 80, no Apêndice, apresentam em detalhes os intervalos mensais


de NDVI para cada grupo obtidos com o agrupamento K-Means. Como pode ser observado, os
valores destacados em azul correspondem a intervalos de NDVI baixo e médio, entre 0,2 e 0,6.
Os intervalos superiores, entre 0,6 e 0,8, estão relacionados com valores mais altos de NDVI e
aparecem destacados em vermelho. Nos meses de julho a novembro, os valores para ambos os
grupos são mais baixos, correspondendo ao período em que a cana-de-açúcar está sendo
colhida. No entanto, como mostrado na Figura 26, mesmo nesses meses não aparece apenas o
grupo 1, o que indica que existe cana-de-açúcar, de ano e de ano e meio, em vários estádios de
desenvolvimento.

Ao utilizar satélites de baixa resolução espacial, é mais difícil evidenciar a diferença


entre canas de ano e canas de ano e meio. Mas, nesta etapa, utilizando a técnica de
agrupamento de dados mensais, pixel a pixel, mesmo ocorrendo mistura espectral, foi possível
acompanhar a evolução da cultura ao longo da safra identificando regiões com padrões
semelhantes.

68
Tabela 10: Intervalos mensais dos agrupamentos de NDVI (ano-safra 2002/2003).
Valor mínimo Valor médio Valor máximo
Mês Grupo
de NDVI de NDVI de NDVI
1 0,2667 0,5032 0,5473
Abril
2 0,5475 0,5918 0,7431
1 0,2066 0,4740 0,5238
Maio
2 0,5243 0,5743 0,7641
1 0,2136 0,4265 0,4730
Junho
2 0,4731 0,5195 0,7409
1 0,2023 0,3288 0,3828
Julho
2 0,3829 0,4369 0,6829
1 0,2022 0,3078 0,3623
Agosto
2 0,3625 0,4171 0,6961
1 0,2020 0,3012 0,3642
Setembro
2 0,3644 0,4271 0,6935
1 0,2014 0,2838 0,3378
Outubro
2 0,3380 0,3921 0,6226
1 0,2016 0,3272 0,3948
Novembro
2 0,3950 0,4627 0,6835
1 0,2441 0,5255 0,5765
Dezembro
2 0,5768 0,6276 0,7654
1 0,2165 0,4978 0,5547
Janeiro
2 0,5556 0,6130 0,7966
1 0,2271 0,5851 0,6233
Fevereiro
2 0,6234 0,661 0,777
1 0,2113 0,5461 0,5837
Março
2 0,5837 0,6213 0,7346

69
Observando os resultados, foi possível perceber que, apesar do predomínio de um
grupo em relação a outro durante os meses do ano, em nenhum momento existe apenas um
deles. Isso indica a diferença de períodos de corte da cana-de-açúcar, o que garante a colheita
ao longo do ano todo, fator importante para manter o fornecimento de derivados da cana-de-
açúcar, especialmente o etanol.

Com isso, é possível utilizar a técnica de agrupamento de dados para acompanhar o


desenvolvimento da cultura sem auxílio de mapeamento dos talhões. Além disso, é possível
obter uma classificação mensal dos valores de NDVI por região, mesmo havendo algumas
regiões com datas de plantio e de corte diferentes, isto é, ciclos vegetativos diferentes (de ano,
e de ano e meio).

Os valores de NDVI para os dois grupos possuem uma variação ao longo dos meses,
indicando em quais meses a cana-de-açúcar atinge seus valores máximos e mínimos. Essa
classificação mensal pode ser usada como parâmetro de entrada para outros algoritmos de
mineração a fim de permitir a extração de padrões e conhecimentos novos a partir de imagens
de baixa resolução espacial, como é o caso das imagens AVHRR/NOAA.

70
Imagens MVC mensal de NDVI - Abril/2002 - A

Agrupamento de NDVI - Abril/2002 - B


Continua

71
Imagens MVC mensal de NDVI - Maio/2002 - C

Agrupamento de NDVI - Maio/2002 - D


Continua

72
Imagens MVC mensal de NDVI - Junho/2002 - E

Agrupamento de NDVI - Junho/2002 - F


Continua

73
Imagens MVC mensal de NDVI - Julho/2002 - G

Agrupamento de NDVI - Julho/2002 - H


Continua

74
Imagens MVC mensal de NDVI - Agosto/2002 - I

Agrupamento de NDVI - Agosto/2002 - J


Continua

75
Imagens MVC mensal de NDVI - Setembro/2002 - K

Agrupamento de NDVI - Setembro/2002 - L


Continua

76
Imagens MVC mensal de NDVI - Outubro/2002 - M

Agrupamento de NDVI - Outubro/2002 - N


Continua

77
Imagens MVC mensal de NDVI - Novembro/2002 - O

Agrupamento de NDVI - Novembro/2002 - P


Continua

78
Imagens MVC mensal de NDVI - Dezembro/2002 - Q

Agrupamento de NDVI - Dezembro/2002 - R


Continua

79
Imagens MVC mensal de NDVI - Janeiro/2003 - S

Agrupamento de NDVI - Janeiro/2003 - T


Continua

80
Imagens MVC mensal de NDVI - Fevereiro/2003 - U

Agrupamento de NDVI - Fevereiro/2003 - V


Continua

81
Imagens MVC mensal de NDVI - Março/2003 - W

Agrupamento de NDVI - Março/2003 - X


Figura 26: Imagens MVC mensal de NDVI e agrupamento de NDVI (2 grupos) da maior
região produtora de cana-de-açúcar de São Paulo para os meses de Abril de 2002 a Março de
2003.

82
5.2.2 Agrupamento do NDVI para acompanhamento mensal da cana-de-açúcar durante
o ano-safra com base na área total produtora

Os resultados desta etapa apresentam o uso da técnica de agrupamento K-Means com


função de distância euclidiana para auxiliar o acompanhamento de safras de cana-de-açúcar a
partir de séries temporais de NDVI mensal, pixel a pixel, obtidas do satélite AVHRR/NOAA
das regiões produtoras de São Paulo.

Os meses de dezembro a maio correspondem aos meses de crescimento vegetativo


máximo da cana-de-açúcar. Nas Figuras 27A, 27B, 27J, 27K e 27L, os pixels que aparecem
em amarelo e vermelho têm o valores máximos de NDVI, e correspondem aos grupos 3 e 4
gerados pelo K-Means, respectivamente. Por outro lado, os meses de agosto, setembro e
outubro correspondem à época de colheita. Nestes meses (Figuras 27E, 27F, 27G), os pixels
em magenta e azul, com valores mínimos de NDVI, correspondem aos grupos 0 e 1,
respectivamente. O grupo 2 (em verde) corresponde à cana-de-açúcar no estádio de
desenvolvimento intermediário.

Como não existe a predominância em todas as regiões produtoras de um ou dois


agrupamentos ao longo dos meses do ano-safra, é possível observar que canas de ano e ano e
meio são cultivadas em todo o estado, pois os cinco grupos aparecem em todos os meses. Em
alguns meses há uma porcentagem maior de pixels nos grupos com NDVI mais alto, e em
outros meses, com número maior de pixels, em grupos com NDVI mais baixo (Figura 27).

A Figura 28 apresenta o perfil temporal dos agrupamentos mostrando a dinâmica do


plantio e colheita da cultura ao longo do ano-safra. Analisando o perfil temporal da Figura 28,
é possível comprovar que nos meses de dezembro a maio, os valores de NDVI são mais altos e
correspondem a uma porcentagem maior dos pixels para os grupos 2, 3 e 4 (em torno de 20 e
40% dos pixels). Para os meses de agosto a novembro, os valores de NDVI são mais baixos,
representando porcentagens mais altas para os grupos 0 e 1 (em torno de 30% dos pixels).
Cada mês apresenta uma área de plantio de cana-de-açúcar em um determinado estádio de
desenvolvimento, aparecendo nos grupos 0 ou 1 (colheita ou solo exposto), ou nos grupos 2, 3
e 4 (em desenvolvimento ou pronta para ser colhida) (Figura 27).

Embora o método K-Means seja mais simples e bastante utilizado, a sua aplicação em
séries geradas a partir de imagens de baixa resolução espacial permite estudo da cultura em

83
nível regional, mesmo com a dificuldade na análise devido à possibilidade de mistura espectral
nos pixels.

Agrupamento de NDVI mensal (5 grupos) da cana-de-açúcar - A

Agrupamento de NDVI mensal (5 grupos) da cana-de-açúcar – B


Continua

84
Agrupamento de NDVI mensal (5 grupos) da cana-de-açúcar - C

Agrupamento de NDVI mensal (5 grupos) da cana-de-açúcar - D


Continua

85
Agrupamento de NDVI mensal (5 grupos) da cana-de-açúcar - E

Agrupamento de NDVI mensal (5 grupos) da cana-de-açúcar - F


Continua

86
Agrupamento de NDVI mensal (5 grupos) da cana-de-açúcar - G

Agrupamento de NDVI mensal (5 grupos) da cana-de-açúcar - H


Continua

87
Agrupamento de NDVI mensal (5 grupos) da cana-de-açúcar - I

Agrupamento de NDVI mensal (5 grupos) da cana-de-açúcar - J


Continua

88
K

L
Figura 27: Agrupamento de NDVI (5 grupos) da cana-de-açúcar de São Paulo para os meses
de Abril de 2004 a Março de 2005.

89
Figura 28: Perfil temporal dos agrupamentos de NDVI (5 grupos) da cana-de-açúcar de São
Paulo para os meses de Abril de 2004 a Março de 2005.

5.2.3 Agrupamento do NDVI para acompanhamento anual da cana-de-açúcar no período


de 2001 a 2010

Esta etapa apresenta os resultados da análise de séries temporais de imagens MVC de


NDVI dos anos-safra do período de 2001 a 2010 para o estado de São Paulo. Os mapas e os
perfis temporais correspondem aos resultados dos agrupamentos, dos pixels com valores de
NDVI ano a ano, K-Means (Figura 29) e K-Medoids (Figura 30), ambos com função de
distância DTW. As Figuras 31 a 34 ilustram os resultados das análises dos agrupamentos, dos
pixels com valores de NDVI para década de 2000, K-Means e K-Medoids com função de
distância DTW.

Em geral, os dois métodos de agrupamento identificaram pixels relacionados à cana-


de-açúcar, podendo ser: i) em relação ao tipo de plantio realizado em cada ano, como por
exemplo, identificação de áreas de cana soca (cana de ano), em reforma, reformada e em
expansão; e ii) em relação à quantidade produzida. Os grupos que foram determinados pelos

90
métodos de agrupamentos não se mantêm constante de ano para ano, pois o plantio da cana-
de-açúcar é dinâmico (Tabelas 11 e 12) ao longo da série temporal.

Desta maneira, com as análises de agrupamento K-Means e K-Medoids, foi possível


verificar os tipos de plantio com a produção de cana-de-açúcar dos anos analisados. Ambos os
métodos de agrupamento produziram resultados semelhantes, sendo que em geral o grupo 4
(vermelho) indica os valores máximos de NDVI no mês, correspondendo a áreas com maior
biomassa. O grupo 0 (magenta) mostra os valores de NDVI mais baixos, correspondendo a
solo exposto. O método K-Means apresentou perfis temporais mais homogêneos, e o método
K-Medoids apresentou perfis temporais variáveis. Picos muito baixos nos perfis de NDVI
durante os meses de dezembro e janeiro correspondem a valores de NDVI relacionados a
nuvens, pois esta época do ano corresponde à estação chuvosa no estado.

Analisando ano a ano os resultados dos agrupamentos K-Means, foi possível verificar
que cada grupo corresponde aos tipos diferentes de plantio de cana-de-açúcar. Como por
exemplo, nos anos-safra 2001/2002, 2003/2004, 2006/2007 e 2008/2009, o grupo 2 (verde –
Figuras 29A, 29E, 29K e 29O) corresponde ao tipo de plantio soca com 29%, 41%, 29% e
47% dos pixels de cana-de-açúcar, respectivamente (Tabela 11). Este grupo está
correlacionado (entre R=0,74 e 0,87) com a produção da cultura (Tabela 13). Nos anos-safra
2002/2003 e 2009/2010 (Figuras 29C e 29Q) a cana-de-açúcar soca (36% e 33% dos pixels,
respectivamente) corresponde ao grupo 1 (azul), com correlação de R =0,84 e R=0,73 com a
produção. O ano-safra 2004/2005 (Figura 29G) corresponde ao grupo 3 (amarelo), 33% dos
pixels de cana-de-açúcar, com R=0,81 de correlação com a produção. Na maioria dos anos-
safra, o tipo soca está fortemente correlacionado com a produção de cana-de-açúcar. Somente
nos anos-safra 2005/2006 e 2007/2008 (Figuras 29I, 29M), o tipo expansão (35% e 28% dos
pixels, respectivamente) está correlacionado com produção da cultura (Tabelas 11 e 13).

91
Agrupamento anual pelo K-Means com função de distância DTW - A

Perfis temporais de cada grupo - B


Continua

92
Agrupamento anual pelo K-Means com função de distância DTW - C

Perfis temporais de cada grupo - D


Continua

93
Agrupamento anual pelo K-Means com função de distância DTW - E

Perfis temporais de cada grupo - F


Continua

94
Agrupamento anual pelo K-Means com função de distância DTW - G

Perfis temporais de cada grupo - H


Continua

95
Agrupamento anual pelo K-Means com função de distância DTW - I

Perfis temporais de cada grupo - J


Continua

96
Agrupamento anual pelo K-Means com função de distância DTW - K

Perfis temporais de cada grupo - L


Continua

97
Agrupamento anual pelo K-Means com função de distância DTW - M

Perfis temporais de cada grupo - N


Continua

98
Agrupamento anual pelo K-Means com função de distância DTW - O

Perfis temporais de cada grupo - P


Continua

99
Agrupamento anual pelo K-Means com função de distância DTW - Q

Perfis temporais de cada grupo - R


Figura 29: Agrupamentos pelo K-Means com função de distância DTW e perfis temporais de
cada grupo para cada ano-safra no período de 2001/2002 a 2009/2010.

100
Com a análise do agrupamento K-Medoids, foi possível verificar os diferentes grupos
para cada tipo de plantio de cana-de-açúcar. Como por exemplo, nos anos-safra 2001/2002 e
2003/2004, o grupo 1 (azul – Figuras 30A e 30E) corresponde ao tipo de plantio soca, com
20% e 34% dos pixels de cana-de-açúcar (Tabela 12) e este grupo está correlacionado (R=0,73
e 0,77) com a produção da cultura (Tabela 14). Nos anos-safra 2002/2003, 2005/2006 e
2006/2007 (Figuras 30C, 30I e 30K) a cana-de-açúcar soca (25%, 21% e 38% dos pixels,
respectivamente) corresponde ao grupo 2 (verde), com correlação entre R=0,78 e R=0,87 com
a produção. Os anos-safra 2007/2008 e 2008/2009, com 28% e 25% dos pixels de cana-de-
açúcar (Figura 30M e 30O), corresponde ao grupo 3 (amarelo), com R= 0,77 e R=0,73 de
correlação com a produção. Da mesma maneira que o K-Means, na maioria dos anos-safra, o
tipo soca está fortemente correlacionado com a produção de cana-de-açúcar. Somente nos
anos-safra 2004/2005 e 2009/2010 (Figuras 30G, 30Q), o tipo reformada (24% e 22% dos
pixels) está correlacionado com a produção da cultura (Tabelas 12 e 14).

Há uma variação entre o agrupamento de um método em relação ao outro. O K-


Medoids por não trabalhar com valores médios acaba se diferenciando do K-Means o que leva
à variações no resultado. Por exemplo, há áreas de expansão da cultura bastante
correlacionadas com a produção (K-Means), enquanto que, no K-Medoids, há áreas de cana-
de-açúcar reformada com alta correlação com a produção. Mas as áreas de plantio soca, em
ambos os métodos de agrupamento, correspondem aos mesmos pixels com alta correlação
com a produção, mesmo pertencendo a grupos diferentes ao longo da série temporal.

101
Agrupamento anual pelo K-Medoids com função de distância DTW - A

Perfis temporais de cada grupo - B


Continua

102
Agrupamento anual pelo K-Medoids com função de distância DTW - C

Perfis temporais de cada grupo - D


Continua

103
Agrupamento anual pelo K-Medoids com função de distância DTW - E

Perfis temporais de cada grupo - F


Continua

104
Agrupamento anual pelo K-Medoids com função de distância DTW - G

Perfis temporais de cada grupo - H


Continua

105
Agrupamento anual pelo K-Medoids com função de distância DTW - I

Perfis temporais de cada grupo - J


Continua

106
Agrupamento anual pelo K-Medoids com função de distância DTW - K

Perfis temporais de cada grupo - L


Continua

107
Agrupamento anual pelo K-Medoids com função de distância DTW - M

Perfis temporais de cada grupo - N


Continua

108
Agrupamento anual pelo K-Medoids com função de distância DTW - O

Perfis temporais de cada grupo - P


Continua

109
Agrupamento anual pelo K-Medoids com função de distância DTW - Q

Perfis temporais de cada grupo - R


Figura 30: Agrupamentos pelo K-Medoids com função de distância DTW e perfis temporais
de cada grupo para cada ano-safra no período de 2001/2002 a 2009/2010.

110
Nas Figuras 31 e 33, foi possível diferenciar as regiões tradicionalmente produtoras
(noroeste e sudoeste) das áreas de expansão (oeste) de cana-de-açúcar de acordo com as
análises de agrupamento K-Means e K-Medoids, respectivamente, para o período de 10 anos
(2001-2010). A apresentação das diferentes áreas produtoras de cana-de-açúcar em um único
mapa que representa a análise de uma década de imagens de NDVI permite que o especialista
valide resultados relativos à produção de cana-de-açúcar.

Na Figura 31, o grupo 2 (verde) representa as áreas de plantio tradicional, com maior
produção de cana-de-açúcar, que pode ser verificado pelo perfil temporal do grupo 2 na Figura
32. Este perfil apresenta a sazonalidade do ciclo de desenvolvimento da cultura durante a
década, com valores médios em relação aos outros grupos. O grupo 4 (vermelho) apresenta o
centroide com valores de NDVI maiores e com picos nos meses de setembro e outubro
menores (Figura 32), indicando cana-de-açúcar que não foi colhida ou mistura espectral com
áreas de mata nativa ou reflorestamento. O grupo 0 (magenta) apresenta áreas de expansão de
cana-de-açúcar ou áreas com baixa produção, em torno de 100 mil toneladas, ao longo dos 10
anos analisados.

Na Figura 33, os pixels do grupo 4 (vermelho) apresentam um perfil diferente do


padrão de NDVI da cana-de-açúcar, como pode ser visto na assinatura espectral gerada para o
centroide respectivo, na Figura 34. É possível que essa área corresponda a pixels com mistura
espectral com outros tipos de vegetação, como matas ou reflorestamento. Por outro lado, o
grupo 3 (amarelo), representa a área de alta produção de cana-de-açúcar, acima de 1 milhão de
toneladas. O perfil de NDVI para esse grupo, ilustrado na Figura 34, mostra uma tendência
mais semelhante ao perfil padrão de NDVI, atingindo os valores maiores de NDVI. Os grupos
1 e 2 (azul e verde) indicam a área de expansão da cana-de-açúcar para o oeste do estado
(Figura 33). Os perfis de NDVI dos dois grupos não atingem valores expressivos, indicando
que a produção pode não ser tão elevada quanto da região noroeste do estado (região mais
tradicional). O grupo 0 (magenta) aparece distribuído em todo o estado e de acordo com o seu
perfil (Figura 34), corresponde à mistura espectral com solo exposto.

Ambos os métodos distinguiram as regiões noroeste e sudoeste, sendo que no K-


Means corresponde ao grupo 2 (Figura 31) e no K-Medoids corresponde ao grupo 3 (Figura
33), como sendo a maior região produtora do estado de São Paulo. Para os demais grupos, o

111
método K-Medoids foi mais eficiente, pois exibiu melhor os extremos do perfil temporal
(Figura 34). Desta maneira, foi mais fácil determinar as áreas de mistura espectral com os
demais tipos de vegetação e solo exposto e as áreas de expansão da cultura.

Tabela 11: Correlação de Pearson entre os valores de produção e os agrupamentos pelo K-


Means com DTW.
Correlação entre Produção e Agrupamento – K-Means
Ano-safra Grupo R / P-valor
2001/2002 2 0,82 / 0,00
2002/2003 1 0,84 / 0,00
2003/2004 2 0,87 / 0,00
2004/2005 3 0,81 / 0,00
2005/2006 3 0,84 / 0,00
2006/2007 2 0,78 / 0,00
2007/2008 3 0,78 / 0,00
2008/2009 2 0,74 / 0,00
2009/2010 1 0,73 / 0,00

Tabela 12: Correlação de Pearson entre os valores de produção e os agrupamentos pelo K-


Medoids com DTW.
Correlação entre Produção e Agrupamento – K-Medoids
Ano-safra Grupo R / P-valor
2001/2002 1 0,73 / 0,00
2002/2003 2 0,78 / 0,00
2003/2004 1 0,77 / 0,00
2004/2005 3 0,87 / 0,00
2005/2006 2 0,80 / 0,00
2006/2007 2 0,85 / 0,00
2007/2008 3 0,77 / 0,00
2008/2009 3 0,73 / 0,00
2009/2010 3 0,75 / 0,00

112
Tabela 13: Classes e porcentagens de pixels de cana-de-açúcar determinadas pelo Canasat para cada grupo do K-Means com DTW.
K-Means + DTW
Grupo 01/02 02/03 03/04 04/05 05/06 06/07 07/08 08/09 09/10
Expansão Em reforma Expansão Expansão Reformada Não definido Em reforma Reformada Reformada
0
(9%) (18%) (7%) (4%) (3%) (14%) (12%) (11%) (21%)
Reformada Soca Em reforma Não definido Soca Expansão Não definido Em reforma Soca
1
(17%) (36%) (27%) (17%) (21%) (20%) (7%) (11%) (33%)
Soca Expansão Soca Em reforma Em reforma Soca Reformada Soca Expansão
2
(29%) (13%) (41%) (20%) (18%) (29%) (21%) (47%) (18%)
Não definido Reformada Não definido Soca Expansão Em reforma Expansão Expansão Em reforma
3
(19%) (15%) (13%) (32%) (35%) (21%) (28%) (22%) (19%)
Em reforma Não definido Reformada Reformada Não definido Reformada Soca Não definido Não definido
4
(24%) (15%) (9%) (24%) (20%) (14%) (29%) (7%) (6%)

Tabela 14: Classes e porcentagens de pixels de cana-de-açúcar determinadas pelo Canasat para cada grupo do K-Medoids com DTW.
K-Medoids + DTW
Grupo 01/02 02/03 03/04 04/05 05/06 06/07 07/08 08/09 09/10
Expansão Expansão Expansão Em reforma Reformada Em reforma Em reforma Reformada Soca
0
(10%) (10%) (8%) (18%) (4%) (20%) (15%) (21%) (26%)
Soca Não definido Soca Não definido Expansão Expansão Reformada Não definido Expansão
1
(20%) (22%) (34%) (17%) (33%) (17%) (19%) (6%) (19%)
Em reforma Soca Não definido Soca Soca Soca Expansão Expansão Não definido
2
(21%) (25%) (17%) (24%) (21%) (38%) (23%) (22%) (9%)
Não definido Em reforma Em reforma Reformada Não definido Não definido Soca Soca Reformada
3
(34%) (23%) (27%) (24%) (20%) (10%) (28%) (25%) (22%)
Reformada Reformada Reformada Expansão Em reforma Reformada Não definido Em reforma Em reforma
4
(12%) (18%) (11%) (14%) (18%) (13%) (13%) (22%) (22%)

113
Figura 31: Agrupamento pelo K-Means com função de distância DTW para década (2001-
2010).

Figura 32: Perfis temporais de cada grupo do agrupamento feito com o K-Means com função
de distância DTW para a década de (2001-2010).

114
Figura 33: Agrupamento pelo K-Medoids com função de distância DTW para década (2001-
2010)

Figura 34: Perfis temporais de cada grupo do agrupamento feito com o K-Medoids com
função de distância DTW para a década (2001-2010).

115
5.2.4 Agrupamento do NDVI, temperatura de superfície e albedo para mapeamento da
cana-de-açúcar

Os agrupamentos de 220.622 mil pixels, feitos por meio dos métodos K-Means e
Clarans com função de distância DTW, identificaram áreas de plantio de cana-de-açúcar e
outros alvos, tais como, água, área urbana, agricultura, pastagem e florestas no estado de São
Paulo (Figuras 35 e 39). Ressalta-se que cada grupo foi formado de acordo com as
características das informações de NDVI, temperatura de superfície e albedo do
AVHRR/NOAA. O albedo foi útil para separar áreas de água dos demais alvos, mas não foi
adequado para auxiliar na distinção de áreas com tipos diferentes de cobertura vegetal. O
agrupamento dos demais alvos foi feito analisando os valores de temperatura da superfície,
tendo valores altos nas áreas de solo exposto e áreas urbanas, e valores menores em áreas com
vegetação densa.

Neste contexto, a água, representada pelo grupo 0 em magenta (Figuras 35 e 39), é


um alvo que em ambos os métodos foi bem definida, pois os valores de NDVI e,
principalmente, os valores de albedo são diferentes dos demais grupos, como mostram as
séries temporais de NDVI (Figuras 36 e 40) e albedo (Figuras 38 e 42). Os valores de NDVI e
albedo são mais baixos (menores que 0,1), pois não há presença de vegetação na água, ou
quando há, é mínima.

As áreas florestais também foram bem definidas por ambos os métodos. Estas áreas
normalmente apresentam valores elevados de NDVI, pois têm alta concentração de biomassa.
No método K-Means, representado pelo grupo 4, em vermelho, nas Figuras 35 e 36, e no
método Clarans, ora representado, principalmente, pelo grupo 5 e ora pelo 4 (Figuras 39 e 40),
as áreas florestais apresentam valores de NDVI alto (Figuras 39 e 40) e valores de temperatura
de superfície (Figuras 37 e 41) mais baixos, pois são áreas bastante sombreadas e com
cobertura vegetal densa.

Os grupos resultantes do método K-Means representaram os mesmos alvos ao logo


das séries temporais de NDVI, temperatura de superfície e albedo e os perfis temporais
apresentaram uma homogeneidade para cada alvo (Figuras 36, 37 e 38). O grupo 0 (magenta)
corresponde à água; o grupo 1 (azul) à área urbana, e a áreas em que o solo é exposto ou tem
vegetação rasteira e pastagem; o grupo 2 (verde) representa áreas de agricultura; o grupo 3

116
(amarelo) corresponde à cana-de-açúcar; e o grupo 4 (vermelho) representa áreas florestais
(Figura 35). O mapeamento da cana-de-açúcar pelo K-Means, na maioria dos anos-safra,
corresponde ao grupo 3 (Figura 35). Somente para os anos-safra 2004/2005 e 2007/2008
(Figuras 35D e 35G) houve uma mistura de áreas de cana-de-açúcar com outras áreas
agrícolas (grupo 2). Nos anos-safra 2008/2009 e 2009/2010 (Figuras 35H e 35I), a expansão
da cana-de-açúcar para a região oeste do estado foi mapeada pelo grupo 3. Nesta região, houve
um aumento do plantio da cultura e este grupo detectou este evento.

Os grupos resultantes do método Clarans permitem identificar alguns alvos ao longo


das séries temporais de NDVI, temperatura de superfície e albedo, sendo que em cada ano os
alvos foram representados por grupos diferentes. Neste agrupamento, não houve um padrão
para o mapeamento dos alvos e os perfis temporais foram mais variáveis durante a década de
2000 (Figuras 40, 41 e 42). O grupo 0 (magenta) corresponde a água, único grupo bem
definido em toda a série temporal, pois os valores de NDVI e albedo são bem diferentes dos
demais alvos. A cana-de-açúcar aparece nos grupos 1, 2, 3, 4 e 5, como por exemplo,
2005/2006 pertence ao grupo 3 (Figura 39E), 2007/2008 ao grupo 5 (Figura 39G). Neste
agrupamento não foi possível mapear corretamente a cana-de-açúcar, pois houve uma mistura
da cultura com os demais alvos e também não foi possível acompanhar a expansão da cana-de-
açúcar para a região oeste do estado no final da década, de acordo com o mapeamento feito
pelo projeto Canasat.

De um modo geral, o agrupamento definido pelo K-Means distinguiu melhor os alvos


em relação ao agrupamento definido pelo Clarans. Os resultados destes agrupamentos foram
menos precisos para a agricultura e pastagem, provavelmente porque as diferentes culturas
apresentam valores de NDVI similares em alguma fase fenológica durante o seu ciclo
vegetativo, mas os valores de NDVI são úteis para separar áreas agrícolas, de áreas não
agricultáveis, como, por exemplo, água, áreas urbanas e florestais. No entanto, considerando a
cana-de-açúcar, a cultura foi bem delimitada ao longo dos anos-safra. Este fato deve-se porque
a cana-de-açúcar tem um comportamento típico (ciclo longo e sazonal) diferente de outras
culturas agrícolas. Foi possível observar a dinâmica da cultura ao longo da década, em que, no
ano-safra 2001/2002, a área cultivada era baixa, com área plantada e produção maior na região
nordeste do estado, e, no final da década, nos anos-safra 2008/2009 e 2009/2010, houve um
aumento significativo da área plantada em direção à região oeste do estado.

117
Agrupamento de NDVI, temperatura de superfície e albedo pelo K-Means - A

Agrupamento de NDVI, temperatura de superfície e albedo pelo K-Means - B


Continua

118
Agrupamento de NDVI, temperatura de superfície e albedo pelo K-Means - C

Agrupamento de NDVI, temperatura de superfície e albedo pelo K-Means - D


Continua

119
Agrupamento de NDVI, temperatura de superfície e albedo pelo K-Means - E

Agrupamento de NDVI, temperatura de superfície e albedo pelo K-Means - F


Continua

120
Agrupamento de NDVI, temperatura de superfície e albedo pelo K-Means - G

Agrupamento de NDVI, temperatura de superfície e albedo pelo K-Means - H


Continua

121
Agrupamento de NDVI, temperatura de superfície e albedo pelo K-Means - I
Figura 35: Agrupamentos de NDVI, temperatura de superfície e albedo pelo K-Means com
função de distância DTW para cada ano-safra no período de 2001/2002 a 2009/2010.

Figura 36: Perfis temporais de cada grupo do agrupamento do NDVI pelo K-Means com
função de distância DTW para a década de 2000.

122
Figura 37: Perfis temporais de cada grupo do agrupamento da temperatura de superfície pelo
K-Means com função de distância DTW para a década de 2000.

Figura 38: Perfis temporais de cada grupo do agrupamento do albedo pelo K-Means com
função de distância DTW para a década de 2000.

123
Agrupamento de NDVI, temperatura de superfície e albedo pelo Clarans - A

Agrupamento de NDVI, temperatura de superfície e albedo pelo Clarans - B


Continua

124
Agrupamento de NDVI, temperatura de superfície e albedo pelo Clarans - C

Agrupamento de NDVI, temperatura de superfície e albedo pelo Clarans - D


Continua

125
Agrupamento de NDVI, temperatura de superfície e albedo pelo Clarans - E

Agrupamento de NDVI, temperatura de superfície e albedo pelo Clarans - F


Continua

126
Agrupamento de NDVI, temperatura de superfície e albedo pelo Clarans - G

Agrupamento de NDVI, temperatura de superfície e albedo pelo Clarans - H


Continua

127
Agrupamento de NDVI, temperatura de superfície e albedo pelo Clarans - I
Figura 39: Agrupamentos de NDVI, temperatura de superfície e albedo pelo Clarans com
função de distância DTW para cada ano-safra no período de 2001/2002 a 2009/2010.

Figura 40: Perfis temporais de cada grupo do agrupamento do NDVI pelo Clarans com
função de distância DTW para a década de 2000.

128
Figura 41: Perfis temporais de cada grupo do agrupamento da temperatura de superfície pelo
Clarans com função de distância DTW para a década de 2000.

Figura 42: Perfis temporais de cada grupo do agrupamento do albedo pelo Clarans com
função de distância DTW para a década de 2000.

129
5.3 RESULTADOS DOS MODELOS NUMÉRICOS DE PREVISÃO DA PRODUÇÃO
DE SAFRAS DE CANA-DE-AÇÚCAR NA ESCALA REGIONAL

Com os resultados obtidos pela correlação de Spearman e pela análise de


componentes principais, foi possível selecionar as variáveis (área plantada, produção,
produtividade, NDVI, ISNA, excedente hídrico, deficiência hídrica, temperatura do ar,
precipitação, NDVI, albedo e temperatura de superfície) para a geração do modelo de
estimativa de produção pela análise de regressão linear múltipla. As Tabelas 35 a 45, no
Apêndice, apresentam os coeficientes de correlação de Spearman, com grau de significância
de 95%. A Figura 81, no Apêndice, apresenta as componentes principais entre as variáveis. Os
resultados dos coeficientes de correlação são ilustrados pela análise de componentes
principais, isto é, as mesmas variáveis são correlacionadas entre si, estão na mesma
componente principal, ou seja, são similares.

A variável dependente da regressão linear múltipla escolhida foi a produção de cana-


de-açúcar e as variáveis independentes (preditoras) foram área plantada, NDVI e ISNA
(Tabela 37, no Apêndice). Estas variáveis são correlacionadas com a produção, mas não são
correlacionadas entre si. Em alguns anos, a variável excedente hídrico também obteve
correlação com a produção. Os coeficientes de correlação foram mais altos entre NDVI, ISNA
e produtividade (Tabela 38, no Apêndice), mas os modelos gerados por estas variáveis não
tiveram grau de significância de 95%.

A seguir, são apresentados os modelos gerados pela regressão linear múltipla para
cada ano-safra e para a previsão de produção de 2020.

5.3.1 Modelo numérico 2001/2002

A Equação 4 é o modelo gerado para estimar a produção de cana-de-açúcar de 2002


em relação aos dados de área plantada, NDVI e ISNA de 2001. A Tabela 15 apresenta os
coeficientes gerados pela regressão. A Tabela 16 apresenta os erros e os coeficientes de
correlação do modelo, igual a R2 = 0,9602. O modelo mostra uma relação diretamente
proporcional entre produção de cana-de-açúcar e NDVI e inversamente proporcional ao ISNA.

130
Produção2002 = 176.300+NDVI2001*310.600+Área2001* 78,32+ISNA2001*-363.200 (4)

Tabela 15: Coeficientes do modelo gerado pela regressão linear múltipla de 2002.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto 176.300 18.010 9,789 0,00 (<2*10-16)
NDVI 310.600 25.210 12,324 0,00 (<2*10-16)
Área 78,32 0,09918 789,697 0,00 (<2*10-16)
ISNA -363.200 15.780 -23,016 0,00 (<2*10-16)

Tabela 16: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2002.
Erro Padrão Residual 180.900 em 26.759 Graus de Liberdade
R2 Múltiplo 0,9602
R2 Ajustado 0,9602
F-estatística 215.400
P-valor 0,00 (< 2,2*10-16)

A Figura 44 apresenta o gráfico com os valores de produção observados em relação


aos valores de produção estimados, com uma correlação R2 = 0,9496. A Figura 43A apresenta
um mapa com os valores observados e a Figura 43B apresenta um mapa com os valores
estimados. Nota-se que os valores fora da curva da regressão, com valores de produção em
torno de 6 milhões de toneladas de cana-de-açúcar (Figura 44), aparecem na classe de 6-10
milhões de toneladas nos mapas (Figura 43) e correspondem ao município Morro Agudo,
maior município produtor da cultura no estado de São Paulo.

131
Produção de cana-de-açúcar observada - A

Produção de cana-de-açúcar estimada - B


Figura 43: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2002.

132
Figura 44: Relação entre os valores observados e estimados de produção em toneladas de
cana-de-açúcar de 2002.

5.3.2 Modelo numérico 2002/2003


A Equação 5 é o modelo gerado para estimar a produção de cana-de-açúcar de 2003
em relação aos dados de área plantada, NDVI e ISNA de 2002. A Tabela 17 apresenta os
coeficientes gerados pela regressão. A Tabela 18 apresenta os erros e os coeficientes de
correlação do modelo, igual a R2 = 0,8682. O modelo mostra uma relação diretamente
proporcional entre produção de cana-de-açúcar e NDVI e inversamente proporcional ao ISNA.

A Figura 45 apresenta o gráfico com os valores de produção observados em relação a


valores de produção estimados, com uma correlação R2 = 0,8706. A Figura 46A apresenta um
mapa com os valores observados e a Figura 46B apresenta um mapa com os valores
estimados. Nota-se que os valores fora da curva da regressão, com valores de produção em
torno de 6 milhões de toneladas de cana-de-açúcar (Figura 45), aparecem na classe de 3-6
milhões de toneladas nos mapas (Figura 46) apresentando um erro na estimativa dos valores
de produção.

Produção2003 = -285.700 +NDVI2002*104.000 +Área2002*90,40 +ISNA2002*-565.200 (5)

133
Tabela 17: Coeficientes do modelo gerado pela regressão linear múltipla de 2003.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto -285.700 42.840 -6,669 0,00 (2*10-11)
NDVI 1.040.000 60.990 17,057 0,00 (<2*10-16)
Área 90,40 0,2187 413,419 0,00 (<2*10-16)
ISNA -565.200 24.560 -23,015 0,00 (<2*10-16)

Tabela 18: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2003.
Erro Padrão Residual 373.500 em 27.848 Graus de Liberdade
R2 Múltiplo 0,8682
R2 Ajustado 0,8682
F-estatística 61.130
p-valor 0,00 (< 2,2*10-16)

Figura 45: Relação entre os valores observados e estimados de produção de cana-de-açúcar de


2003.

134
Produção de cana-de-açúcar observada - A

Produção de cana-de-açúcar estimada - B


Figura 46: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2003.

135
5.3.3 Modelo numérico 2003/2004
A Equação 6 é o modelo gerado para estimar a produção de cana-de-açúcar de 2004
em relação aos dados de área plantada, NDVI e ISNA de 2003. A Tabela 19 apresenta os
coeficientes gerados pela regressão. A Tabela 20 apresenta os erros e os coeficientes de
correlação do modelo, com R2 = 0,977. O modelo mostra uma relação diretamente
proporcional entre produção de cana-de-açúcar e NDVI e inversamente proporcional ao ISNA.

A Figura 48 apresenta o gráfico com os valores de produção observados em relação a


valores de produção estimados, com uma correlação R2 = 0,9773. A Figura 47A apresenta um
mapa com os valores observados e a Figura 47B apresenta um mapa com os valores
estimados. Nota-se que os valores fora da curva da regressão, com valores de produção em
torno de 8 milhões de toneladas de cana-de-açúcar (Figura 48), aparecem na classe de 6-10
milhões de toneladas nos mapas (Figura 47) e correspondem ao município Morro Agudo.

Produção2004 = -160.100+NDVI2003*431.300+Área2003*83,36+ISNA2003*-121.500 (6)

Tabela 19: Coeficientes do modelo gerado pela regressão linear múltipla de 2004.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto -160.100 17.060 -9,385 0,00 (<2*10-16)
NDVI 431.300 24.580 17,545 0,00 (<2/10-16)
Área 83,36 0,07796 1.069,216 0,00 (<2*10-16)
ISNA -121.500 13.480 -9,010 0,00 (<2*10-16)

Tabela 20: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2004.
Erro Padrão Residual 153.400 em 27.923 Graus de Liberdade
R2 Múltiplo 0,977
R2 Ajustado 0,977
F-estatística 396.100
p-valor 0,00 (< 2,2*10-16)

136
Produção de cana-de-açúcar observada - A

Produção de cana-de-açúcar estimada - B


Figura 47: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2004.

137
Figura 48: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2004.

5.3.4 Modelo numérico 2004/2005


A Equação 7 é o modelo gerado para estimar a produção de cana-de-açúcar de 2005
em relação aos dados de área plantada, NDVI e ISNA de 2004. A Tabela 21 apresenta os
coeficientes gerados pela regressão. A Tabela 22 apresenta os erros e os coeficientes de
correlação do modelo, com R2 = 0,9643. O modelo mostra uma relação diretamente
proporcional entre produção de cana-de-açúcar e NDVI e inversamente proporcional ao ISNA.

A Figura 49 apresenta o gráfico com os valores de produção observados em relação a


valores de produção estimados, com uma correlação R2 = 0,9647. A Figura 50A apresenta um
mapa com os valores observados e a Figura 50B apresenta um mapa com os valores
estimados. Nota-se que os valores fora da curva da regressão, com valores de produção em
torno de 8 milhões de toneladas de cana-de-açúcar (Figura 49), aparecem na classe de 6-10
milhões de toneladas nos mapas (Figura 50) e correspondem ao município Morro Agudo.

Produção2005 = 729.300 +NDVI2004*762.500+Área2004*83,57+ISNA2004*-1.323.000 (7)

138
Tabela 21: Coeficientes do modelo gerado pela regressão linear múltipla de 2005.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto 729.300 31.150 23,41 0,00 (<2*10-16)
NDVI 762.500 27.200 28,03 0,00 (<2*10-16)
Área 83,57 0,09787 853,87 0,00 (<2*10-16)
ISNA -1.323.000 32.140 -41,18 0,00 (<2*10-16)

Tabela 22: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2005.
Erro Padrão Residual 194.100 em 27.993 Graus de Liberdade
R2 Múltiplo 0,9643
R2 Ajustado 0,9643
F-estatística 252.300
p-valor 0,00 (< 2,2*10-16)

Figura 49: Relação entre os valores observados e estimados de produção de cana-de-açúcar de


2005.

139
Produção de cana-de-açúcar observada - A

Produção de cana-de-açúcar estimada - B


Figura 50: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2005.

140
5.3.5 Modelo numérico 2005/2006
A Equação 8 é o modelo gerado para estimar a produção de cana-de-açúcar de 2006
em relação aos dados de área plantada, NDVI e ISNA de 2005. A Tabela 23 apresenta os
coeficientes gerados pela regressão. A Tabela 24 apresenta os erros e os coeficientes de
correlação do modelo, igual a R2 = 0,9412. O modelo mostra uma relação diretamente
proporcional entre produção de cana-de-açúcar e NDVI e inversamente proporcional ao ISNA.

A Figura 52 apresenta o gráfico com os valores de produção observados em relação a


valores de produção estimados, com uma correlação R2 = 0,9415. A Figura 51A apresenta um
mapa com os valores observados e a Figura 51B apresenta um mapa com os valores
estimados. Nota-se que os valores fora da curva da regressão, com valores de produção em
torno de 8 milhões de toneladas de cana-de-açúcar (Figura 52), aparecem na classe de 6-10
milhões de toneladas nos mapas (Figura 51) e correspondem ao município Morro Agudo.

Produção2006 = 802.800+NDVI2006* 358.400+Área2006*86,36+ISNA2006*-1.137.000 (8)

Tabela 23: Coeficientes do modelo gerado pela regressão linear múltipla de 2006.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto 802.800 34.720 23,123 0,00 (<2*10-16)
NDVI 358.400 41.370 8,664 0,00 (<2*10-16)
Área 86,36 0,1325 651,798 0,00 (<2*10-16)
ISNA -1.137.000 27.210 -41,776 0,00 (<2*10-16)

Tabela 24: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2006.
Erro Padrão Residual 258.500 em 28.130 Graus de Liberdade
R2 Múltiplo 0,9412
R2 Ajustado 0,9412
F-estatística 150.000
p-valor 0,00 (< 2,2*10-16)

141
Produção de cana-de-açúcar observada - A

Produção de cana-de-açúcar estimada - B


Figura 51: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2006.

142
Figura 52: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2006.

5.3.6 Modelo numérico 2006/2007


A Equação 9 é o modelo gerado para estimar a produção de cana-de-açúcar de 2007
em relação aos dados de área plantada, NDVI e ISNA de 2006. A Tabela 25 apresenta os
coeficientes gerados pela regressão. A Tabela 26 apresenta os erros e os coeficientes de
correlação do modelo, com R2 = 0,9024. O modelo mostra uma relação diretamente
proporcional entre produção de cana-de-açúcar e NDVI e inversamente proporcional ao ISNA.

A Figura 53 apresenta o gráfico com os valores de produção observados em relação a


valores de produção estimados, com uma correlação R2 = 0,9015. A Figura 54A apresenta um
mapa com os valores observados e a Figura 54B apresenta um mapa com os valores
estimados. Nota-se que os valores fora da curva da regressão, com valores de produção em
torno de 8 milhões de toneladas de cana-de-açúcar (Figura 53), aparecem na classe de 6-10
milhões de toneladas nos mapas (Figura 54) e correspondem ao município Morro Agudo.

Produção2007 = 1.045.000+NDVI2006 * 347.200+ Área2006*84,08+ISNA2006*-1.516.000 (9)

143
Tabela 25: Coeficientes do modelo gerado pela regressão linear múltipla de 2007.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto 1.045.000 49.690 21,037 0,00 (< 2*10-16)
NDVI 347.200 59.880 5,797 0,00 (6,82*10-09)
Área 84,08 0,1752 479,815 0,00 (< 2*10-16)
ISNA -1.516.000 47.100 -32,191 0,00 (< 2*10-16)

Tabela 26: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2007.
Erro Padrão Residual 363.800 em 28.006 Graus de Liberdade
R2 Múltiplo 0,9024
R2 Ajustado 0,9024
F-estatística 86.320
p-valor 0,00 (< 2,2*10-16)

Figura 53: Relação entre os valores observados e estimados de produção de cana-de-açúcar de


2007.

144
Produção de cana-de-açúcar observada - A

Produção de cana-de-açúcar estimada - B


Figura 54: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2007.

145
5.3.7 Modelo numérico 2007/2008
A Equação 10 é o modelo gerado para estimar a produção de cana-de-açúcar de 2008
em relação aos dados de área plantada, NDVI e ISNA de 2007. A Tabela 27 apresenta os
coeficientes gerados pela regressão. A Tabela 28 apresenta os erros e os coeficientes de
correlação do modelo, igual a R2 = 0,9237. O modelo mostra uma relação diretamente
proporcional entre produção de cana-de-açúcar e NDVI e inversamente proporcional ao ISNA.

A Figura 56 apresenta o gráfico com os valores de produção observados em relação a


valores de produção estimados, com uma correlação R2 = 0,9233. A Figura 55A apresenta um
mapa com os valores observados e a Figura 55B apresenta um mapa com os valores
estimados. Nota-se que os valores fora da curva da regressão, com valores de produção em
torno de 10 milhões de toneladas de cana-de-açúcar (Figura 56), aparecem na classe de 6-10
milhões de toneladas nos mapas (Figura 55), mas foram estimados em torno de 9 milhões de
toneladas.

Produção2008 =215.200+NDVI2007*374.000+Área2007*94,99+ISNA2007*-570.600 (10)

Tabela 27: Coeficientes do modelo gerado pela regressão linear múltipla de 2008.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto 215.200 45.610 4,719 0,00 (2,38*10-6)
NDVI 374.000 67.800 5,516 0,00 (3,50*10-8)
Área 94,99 0,1668 569,486 0,00 (< 2*10-16)
ISNA -570.600 32.510 -17,550 0,00 (< 2*10-16)

Tabela 28: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2008.
Erro Padrão Residual 377.500 em 28.054 Graus de Liberdade
R2 Múltiplo 0,9237
R2 Ajustado 0,9237
F-estatística 113.200
p-valor 0,00 (< 2,2*10-16)

146
Produção de cana-de-açúcar observada - A

Produção de cana-de-açúcar estimada - B


Figura 55: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2008.

147
Figura 56: Relação entre os valores observados e estimados de produção de cana-de-açúcar de
2008.

5.3.8 Modelo numérico 2008/2009


A Equação 11 é o modelo gerado para estimar a produção de cana-de-açúcar de 2009
em relação aos dados de área plantada, NDVI e ISNA de 2008. A Tabela 29 apresenta os
coeficientes gerados pela regressão. A Tabela 30 apresenta os erros e os coeficientes de
correlação do modelo, com R2 = 0,9027. O modelo mostra uma relação diretamente
proporcional entre produção de cana-de-açúcar e NDVI e inversamente proporcional ao ISNA.

A Figura 57 apresenta o gráfico com os valores de produção observados em relação a


valores de produção estimados, com uma correlação R2 = 0,9233. A Figura 58A apresenta um
mapa com os valores observados e a Figura 58B apresenta um mapa com os valores
estimados. Nota-se que os valores fora da curva da regressão, com valores de produção em
torno de 9 milhões de toneladas de cana-de-açúcar (Figura 57), aparecem na classe de 6-10
milhões de toneladas nos mapas (Figura 58), mas foram estimados em torno de 8 milhões de
toneladas.

Produção2009 = 3.712+NDVI2008*974.800+Área2008* 77,05+ISNA2008*-578.300 (11)

148
Tabela 29: Coeficientes do modelo gerado pela regressão linear múltipla de 2009.
Coeficientes
Estimado Erro t valor Pr(>|t|)
Intercepto 3.712 52.330 0,071 0,00 (<2*10-16)
NDVI 974.800 71.660 13,603 0,00 (<2*10-16)
Área 77,05 0,1569 491,063 0,00 (<2*10-16)
ISNA -578.300 28.360 -20,388 0,00 (<2*10-16)

Tabela 30: Erro Padrão, coeficientes de correlação (R2), F-estatística e P-valor de 2009.
Erro Padrão Residual 397.100 em 28.245 Graus de Liberdade
R2 Múltiplo 0,9027
R2 Ajustado 0,9027
F-estatística 87.330
p-valor 0,00 (< 2,2*10-16)

Figura 57: Relação entre os valores observados e estimados de produção de cana-de-açúcar de


2009.

149
Produção de cana-de-açúcar observada - A

Produção de cana-de-açúcar estimada - B


Figura 58: Mapas de produção de cana-de-açúcar observada (A) e estimada (B) de 2009.

150
5.4 RESULTADOS DA ESTIMATIVA DA PRODUÇÃO DE CANA-DE-AÇÚCAR
UTILIZANDO O MODELO REGIONAL DE MUDANÇAS CLIMÁTICAS
ETA/CPTEC.
Os modelos selecionados para estimar os valores de produção para o ano de 2020
utilizando o modelo regional de mudanças climáticas ETA/CPTEC foram os de 2002
(Equação 4) e 2009 (Equação 11). O modelo de 2002 foi selecionado, pois utilizou os valores
mais baixos de NDVI e precipitação (ano mais seco no período de dezembro a março) ao
longo da série temporal (Figuras 87 e 85, no Apêndice). Já, o modelo de 2009 utilizou os
valores mais altos de NDVI e precipitação, ano mais chuvoso no período de dezembro a março
(Figuras 87 e 85, no Apêndice). Os gráficos que apresentam os valores das variáveis
climáticas estão apresentados no Apêndice (Figuras 82 a 87). Os dados de entrada para estimar
os valores de produção para os dois modelos (2002 e 2009) foram ISNA, calculado utilizando
dados do ETA/CPTEC, NDVI de 2001, NDVI de 2009 e área plantada de 2009 e área plantada
de 2009 com acréscimo de 5%, 10% e 15%.

A Figura 59 apresenta os mapas com os valores estimados para 2020 considerando os


valores de área plantada de 2009, NDVI de 2001 (Figuras 59A e 59B) e 2009 (Figuras 59C e
59D) obtidos pelos modelos 2002 e 2009. A Figura 60 apresenta os mapas com os valores
estimados para 2020 considerando os valores de área plantada de 2009 com acréscimo de 5%,
NDVI de 2001 (Figuras 60A e 60B) e 2009 (Figuras 60C e 60D) obtidos pelos modelos 2002
e 2009. A Figura 61 apresenta os mapas com os valores estimados para 2020 considerando os
valores de área plantada de 2009 com acréscimo de 10%, NDVI de 2001 (Figuras 61A e 61B)
e 2009 (Figuras 61C e 61D) obtidos pelos modelos 2002 e 2009. A Figura 62 apresenta os
mapas com os valores estimados para 2020 considerando os valores de área plantada de 2009
com acréscimo de 15%, NDVI de 2001 (Figuras 62A e 62B) e 2009 (Figuras 62C e 62D)
obtidos pelos modelos 2002 e 2009.

De uma maneira geral, os valores estimados de produção pelo modelo de 2002


apresentaram um decréscimo entre 0,1 a 3,7% nas classes de baixa produção (0 a 1 milhão de
toneladas) e um acréscimo entre 1 a 3,5% nas classes de alta produção (1 a 10 milhões de
toneladas), conforme descrito nas Tabelas 31 e 32. Comparando os valores estimados
utilizando NDVI de 2001 e NDVI de 2009 não houve uma diferença significativa, em torno de

151
0,1 e 0,3%. Também não houve uma diferença significativa em relação ao acréscimo de área,
mantendo-se constante ou variando em torno de 0,3%.

Os valores estimados de produção pelo modelo de 2009 apresentaram um decréscimo


entre 0,1 a 1,8% nas classes de baixa produção (0 a 1 milhão de toneladas) e um acréscimo
entre 1 a 1,6% nas classes de alta produção (1 a 10 milhões de toneladas), conforme descrito
nas Tabelas 33 e 34. Comparando os valores estimados utilizando NDVI de 2001 e NDVI de
2009 não houve uma diferença significativa, em torno de 0,1 e 0,4%. Também não houve uma
diferença significativa em relação ao acréscimo de área, mantendo-se constante ou variando
em torno de 0,3%.

Como o modelo de 2002 foi gerado por valores de NDVI e precipitação mais baixos,
em relação ao modelo de 2009, mas ambos os modelos foram gerados com dados de condições
térmicas e hídricas ideais para o desenvolvimento da cana-de-açúcar: temperatura média anual
acima de 20°C (Figura 86, no Apêndice) e deficiência hídrica anual inferior a 200mm (Figura
82, no Apêndice), conclui-se que para anos mais secos e quentes no período de dezembro a
março, a produção de cana-de-açúcar tende a aumentar em torno de 3,5%. Para anos mais
chuvosos, no mesmo período, a produção tende a aumentar em torno de 1,6%,
independentemente da área plantada.

Tabela 31: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2002 e NDVI 2001.
Modelo 2002
NDVI 2001
Classe Estimado 2002 Área 2009 Área +5% Área +10% Área +15%
0 1,4 -1,3 -1,3 -1,3 -1,3
1 -1,5 -3,5 -3,6 -3,6 -3,6
2 0,9 0,2 -0,2 -0,4 -0,8
3 -0,7 3,2 2,9 3,1 3,3
4 0,0 1,4 2,1 2,1 2,3
5 0,0 0,0 0,0 0,0 0,0

152
Tabela 32: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2002 e NDVI 2009.
Modelo 2002
NDVI 2009
Classe Estimado 2002 Área 2009 Área +5% Área +10% Área +15%
0 1,4 -1,3 -1,3 -1,3 -1,3
1 -1,5 -3,6 -3,7 -3,7 -3,7
2 0,9 0,0 -0,1 -0,4 -0,6
3 -0,7 3,5 2,9 3,2 3,3
4 0,0 1,4 2,1 2,2 2,3
5 0,0 0,0 0,0 0,0 0,0

Tabela 33: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2009 e NDVI 2001.
Modelo 2009
NDVI 2001
Classe Estimado 2009 Área 2009 Área +5% Área +10% Área +15%
0 0,1 0,2 0,2 0,2 0,2
1 -1,7 -1,4 -1,4 -1,4 -1,4
2 1,6 0,4 0,1 -0,2 -0,4
3 0,2 1,2 0,7 0,9 0,9
4 -0,2 -0,3 0,4 0,6 0,7
5 0,0 0,0 0,0 0,0 0,0

Tabela 34: Variação da produção (%) observada em relação à estimada a partir da área com e
sem acréscimo e pelo modelo 2009 e NDVI 2009.
Modelo 2009
NDVI 2009
Classe Estimado 2009 Área 2009 Área +5% Área +10% Área +15%
0 0,1 0,0 0,0 0,0 0,0
1 -1,7 -1,8 -1,8 -1,8 -1,8
2 1,6 0,7 0,4 0,3 -0,1
3 0,2 1,3 0,9 0,9 1,2
4 -0,2 -0,2 0,5 0,6 0,7
5 0,0 0,0 0,0 0,0 0,0

153
Produção estimada para 2020 (modelo 2002 - área 2009) - A

Produção estimada para 2020 (modelo 2009 - área 2009) - B


Continua

154
Produção estimada para 2020 (modelo 2002 - área 2009) - C

Produção estimada para 2020 (modelo 2009 - área 2009) - D


Figura 59: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de
2009.

155
Produção estimada para 2020 (modelo 2002 - área +5%) - A

Produção estimada para 2020 (modelo 2009 - área +5%) - B


Continua

156
Produção estimada para 2020 (modelo 2002 - área +5%) - C

Produção estimada para 2020 (modelo 2009 - área +5%) - D


Figura 60: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de
2009 e acréscimo de 5%.

157
Produção estimada para 2020 (modelo 2002 - área +10%) - A

Produção estimada para 2020 (modelo 2009 - área +10%) - B


Continua

158
Produção estimada para 2020 (modelo 2002 - área +10%) - C

Produção estimada para 2020 (modelo 2009 - área +10%) - D


Figura 61: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de
2009 e acréscimo de 10%.

159
Produção estimada para 2020 (modelo 2002 - área +15%) - A

Produção estimada para 2020 (modelo 2009 - área +15%) - B


Continua

160
Produção estimada para 2020 (modelo 2002 - área +15%) - C

Produção estimada para 2020 (modelo 2009 - área +15%) - D


Figura 62: Mapas de produção de cana-de-açúcar estimada para 2020 com área plantada de
2009 e acréscimo de 15%.

161
162
6 CONCLUSÕES

Este trabalho apresentou uma abordagem para avaliar a expansão da cana-de-açúcar,


por meio de técnicas de mineração de dados e de séries temporais. Foram utilizadas técnicas
de agrupamento tradicionais associadas a funções de distância para séries temporais que, por
sua vez, podem auxiliar o monitoramento de safras agrícolas de cana-de-açúcar no estado de
São Paulo por meio de imagens de NDVI obtidas do sensor AVHRR dos satélites NOAA.

Ao utilizar satélites de baixa resolução espacial, é mais difícil evidenciar a diferença


entre “canas de ano” e “de ano e meio”. Mas, neste trabalho realizado, com a técnica de
agrupamento de dados, mesmo ocorrendo mistura espectral, foi possível acompanhar a
evolução da cultura ao longo das safras identificando regiões com padrões semelhantes. Desta
maneira, a análise de agrupamento pode melhorar a compreensão do desenvolvimento da
cana-de-açúcar e sua expansão para outras regiões do país.

O uso do NDVI gerado a partir do satélite AVHRR/NOAA, conjuntamente com as


variáveis área plantada e produtividade, permitiu acompanhar a distribuição espacial dos
municípios produtores de cana-de-açúcar ao longo de nove anos-safra (2001-2010). Embora o
AVHRR/NOAA seja um satélite de baixa resolução espacial (1km x 1km), seus produtos
podem auxiliar o estudo de culturas agrícolas cultivadas em grandes extensões e campos
contíguos, como é o caso da cana-de-açúcar em São Paulo.

O método de agrupamento K-Means mostrou que, ao serem gerados agrupamentos


mensais com dois ou cinco grupos, foi possível identificar a variação dos valores de NDVI ao
longo dos anos-safra, com valores mais altos de NDVI nos períodos de dezembro a maio,
época de maior biomassa, e valores mais baixos nos demais meses, período de colheita.

Foi possível identificar os pixels relacionados às áreas de plantio de cana-de-açúcar


pelos métodos K-Means e K-Medoids. Estes agrupamentos distinguiram áreas de plantio de
cana-de-açúcar em relação aos tipos de plantio realizado em cada ano como, por exemplo,
identificação de áreas de cana soca (cana de ano), em reforma, reformada e em expansão; e em
relação à quantidade produzida. Os grupos que foram determinados pelos métodos de
agrupamentos não se mantêm constante de ano para ano, pois o plantio da cana-de-açúcar é
dinâmico ao longo da série temporal.

163
No mapeamento da cana-de-açúcar e de outros alvos, tais como, água, área urbana,
agricultura, pastagem e florestas, de modo geral, o agrupamento definido pelo K-Means
distinguiu melhor os alvos em relação ao agrupamento identificado pelo Clarans, utilizando as
informações de NDVI, temperatura de superfície e albedo do AVHRR/NOAA. O albedo foi
útil para separar áreas de água dos demais alvos, mas não foi suficiente para distinguir áreas
com diferentes tipos de cobertura vegetal. O agrupamento dos demais alvos foi feito
analisando os valores de temperatura da superfície, tendo valores altos nas áreas de solo
exposto e áreas urbanas, e valores menores em áreas com vegetação densa.

Os resultados destes agrupamentos apresentaram mistura entre os alvos, agricultura e


pastagem, provavelmente, porque culturas diferentes apresentam valores de NDVI similares
em alguma fase fenológica durante o seu ciclo vegetativo, mas valores de NDVI são úteis para
separar áreas agrícolas de áreas não agrícolas como, por exemplo, água, áreas urbanas e
florestais. No entanto, a cana-de-açúcar foi bem delimitada ao longo dos anos-safra. Este fato
deve-se porque a cana-de-açúcar tem um comportamento típico (ciclo longo e sazonal)
diferente de outras culturas agrícolas normalmente cultivadas na área de interesse do trabalho.
Foi possível observar a dinâmica da cultura ao longo da década, em que a área cultivada era
baixa, no ano-safra 2001/2002, com área plantada e produção maior na região nordeste do
estado, e com aumento significativo da área plantada em direção à região oeste do estado no
final da década, nos anos-safra 2008/2009 e 2009/2010. Esta técnica de agrupamento em
séries temporais tridimensionais foi eficiente para realizar a análise temporal do uso da terra,
indicando que esta metodologia pode ser utilizada para identificar e analisar a dinâmica de uso
e cobertura do solo.

Os resultados obtidos pelos modelos gerados pela Regressão Linear Múltipla


indicaram tendências positivas e negativas da produção de cana-de-açúcar para as safras
futuras, podendo destacar áreas potenciais ou restritas para o plantio de cana-de-açúcar no
estado de São Paulo, e mostraram o comportamento da cultura, em função das condições
climáticas possíveis e previstas para a próxima década.

Os modelos gerados para estimar a produção de cana-de-açúcar em relação aos dados


de área plantada, NDVI e ISNA apresentaram coeficiente de correlação em torno de R2 = 0,9,
sendo que, os modelos conseguiram estimar os valores de produção para todo estado de São

164
Paulo com precisão. Os modelos mostraram uma relação diretamente proporcional entre
produção de cana-de-açúcar e NDVI e inversamente proporcional ao ISNA. Os modelos
gerados por valores de NDVI e precipitação mais baixos, isto é, para anos mais secos dentro
de certos limites e mais quentes no período de dezembro a março, a produção de cana-de-
açúcar tende a aumentar em torno de 3,5% no ano de 2020. Os modelos gerados por valores de
NDVI e precipitação mais altos, isto é, para anos mais chuvosos, no mesmo período, a
produção tende a aumentar em torno de 1,6% no ano de 2020, independentemente da área
plantada.

Sugere-se, para a realização de trabalhos futuros, i) a estimativa da produção de cana-


de-açúcar a partir de dados agroclimáticos proveniente de modelos de mudanças climáticas
globais do IPCC em diferentes cenários de emissão de gases de efeito estufa; ii) o
monitoramento e mapeamento da área de plantio de cana-de-açúcar em outros estados
brasileiros como, por exemplo, Mato Grosso do Sul e Goiás e em áreas climaticamente
diferentes do estado de São Paulo.

165
166
REFERÊNCIAS

ADAMI, M.; MELLO, M. P.; AGUIAR, D. A.; RUDORFF, B. F. T.; SOUZA, A. F. A Web
Plataform Development to Perform Thematic Accuracy Assessment of Sugarcane Mapping in
South-Central Brazil. Remote Sensing, v. 4, p.3201-3214, 2012a.

ADAMI, M.; RUDORFF, B. F. T.; FREITAS, R. M.; AGUIAR, D. A.; SUGAWARA, L. M.;
MELLO, M. P. Remote Sensing Time Series to Evaluate Direct Land Use Change of Recent
Expanded Sugarcane Crop in Brazil. Sustainability, v. 4, 574-585, 2012b.

ALFONSI, R. R.; PEDRO, M. J.; BRUNINI, O.; BARBIERI, V. Condições climática para a
cana-de-açúcar. In: Paranhos, S. B (Ed.). Cana-de-açúcar: cultivo e utilização. São Paulo:
Fundação Cargill. cap.1 v.1, p.42-87. 1987. 856p.

AMARAL, B. F.; CHINO, D. Y. T.; ROMANI, L. A. S.; GONÇALVES, R. R. V.; SOUSA,


E. P.; TRAINA, A. J. M. Análise e mineração de dados de sensores orbitais para
acompanhamento de safras de cana-de-açúcar. In: XXXI Congresso da Sociedade Brasileira
de Computação, 2011, Natal - RN. Anais XXXI Congresso da Sociedade Brasileira de
Computação, 2011. p. 1472-1481.

ANTUNES, J.F.G. Aplicações de lógica fuzzy para estimativa de área plantada da cultura
de soja utilizando imagens AVHRR/NOAA. 2005. 91p. Dissertação (Mestrado em
Engenharia Agrícola) – Feagri/Unicamp, Campinas. 2005.

ANYAMBA, A.; TUCKER, C.J. Analysis of sahelian vegetation dynamics using NOAA-
AVHRR NDVI data from 1981-2003. Journal of Arid Environments, v. 63, n.3, p.596-614,
2005.

AMBRIZZI, T.; ROCHA, R. P.; MARENGO, J. A.; PISNITCHENCO, I.; NUNES, L.A.;
FERNANDES, J. P. R. Cenários regionalizados de clima no Brasil para o século XXI:
projeções de clima usando três modelos regionais: Relatório 3. Brasília: MMA, 2007.

ASSAD, E.D.; PINTO H.S.; ZULLO JR., J.; ÁVILA, A.M.H. Impacto das mudanças
climáticas no zoneamento agroclimático do café no Brasil. Pesquisa Agropecuária
Brasileira, Scielo, Brasília, v. 39, n.11, pp.1057-1064, 2004.

ASSAD, E.D.; SANO, E.E.; BEZERRA, H.S.; Silva, S.C.; LOBATO, E.J.E. Uso de modelos
numéricos de terreno na especialização de épocas de plantio. In: ASSAD, E. D.; SANO, E. E.
Sistema de informações geográficas. Aplicações na agricultura. Brasília: Embrapa-
SPI/Embrapa Cerrados, 1998.

167
BARBOSA, H. A.; HUETEA, A. R.; BAETHGENB, W. E. 20-year study of NDVI variability
over the Northeast Region of Brazil. Journal of Arid Environments, v.67, p.288-307, 2006.

BARROS, G. Brazil: the challenges in becoming an agricultural superpower. In: Brazil


as an economic superpower? Understanding Brazil’s changing role in the global economy,
Brookings, Washington, DC, 2009.

BEGUE, A.; LEBOURGEOIS, V.; BAPPEL, E.; TODOROFF, P.; PELLEGRINO, A.;
BAILLARIN, F.; SIEGMUND, B. Spatio-temporal variability of sugarcane fields and
recommendations for yield forecast using NDVI. International Journal of Remote Sensing,
v.31, n.20, p.5391-5407, 2010.

BERNDT, D.; CLIFFORD, J. Using dynamic time warping to find patterns in time series. In:
AAAI Workshop on Knowledge Discovery in Databases, Seattle – Washington, p. 359-370,
1994.

BLACK, T. L. The new NMC mesoscale Eta/CPTEC model: Description and forecast
examples. Wea. Forecasting, v. 9, p. 265-278, 1994.

BLOK, D.; SCHAEPMAN-STRUB, G.; BARTHOLOMEUS, H.; HEIJMANS, M. M. P. D.


MAXIMO, T. C.; BERENDSE, F. The response of Arctic vegetation to the summer climate:
relation between shrub cover, NDVI, surface albedo and temperature. Environmental
Research Letters, v.6, p. 1-9, 2011.

BRUNINI, O.; ZULLO JÚNIOR, J.; PINTO, H. S.; ASSAD, E. D.; SAWAZAKI, E.;
DUARTE, P. D.; PATERNIANI, M. E. Riscos climáticos para a cultura do milho no estado
de São Paulo. Revista Brasileira de Agrometeorologia, Passo Fundo, v.9, n.3, p.519-526,
2001. Número especial.

BUNCHAFT, G.; KELLNER, S. R.O. Estatística sem mistérios. 2.ed. Petrópolis: Vozes,
v.2. 1999. 303p.

CAMARGO, A.P. Contribuição para a determinação da evapotranspiração potencial no estado


de São Paulo. Bragantia, Campinas, v.21, n.12, p.163-213, 1962.

CAMILLONI, I.; BIDEGAIN, M. Escenarios climáticos para El siglo XXII. In: BARROS, V.;
MENÉNDEZ, A.; NAGY, G. (Ed.) El cambio climático en el rio de la Plata. Buenos Aires:
CIMA/CONICET/UBA, 2005. P.33-39.

168
CARNEIRO, C. C. Modelagem espacial de dados aerogeofísicos e interpretação de
imagens SAR aplicados ao mapeamento geológico e metalogenético da região central do
Domínio Bacajá, Estado do Pará. Tese de Doutorado - Universidade Estadual de Campinas,
Instituto de Geociências, 2010.

CHINO, D. Y. T., ROMANI, L. A. S. E TRAINA, A. J. M. Construindo séries temporais de


imagens de satélite para sumarização de dados climáticos e monitoramento de safras agrícolas.
In: REIC, v. 10, p. 1-16, 2010.

CHOU, S.C. Modelo Regional Eta. Climanálise. Edição Especial. Instituto Nacional de
Pesquisas Espaciais. 1996.

CHOU, S. C.; MARENGO, J. A.; LYRA, A. A.; SUEIRO, G.; PESQUERO, J. F.; ALVES,
L. M.; KAY, G.; BETTS, R. CHAGAS, D. J., GOMES, J. L. Downscaling of South America
present climate driven by 4-member HadCM3 runs. Climate Dynamics, Germany, vol.38, n
3-4, p.635-653, 2011.

COMPANHIA NACIONAL DE ABASTECIMENTO (CONAB). Cana-de-açúcar: Safra


2012/2013 – Quarto Levantamento. 2013. Disponível em: <http://www.conab.gov.br>
Acesso em: 27 novembro 2013.

COLTRI, P. P. Mitigação de emissão de gases de efeito estufa e adaptação do café arábica


a condições climáticas adversas. Tese de Doutorado - Universidade Estadual de Campinas,
Faculdade de Engenharia Agrícola, 2012.

DING, H.; TRAJCEVSKI, G.; SCHEUERMANN, P.; WANG, X.; KEOGH, E. Querying and
Mining of Time Series Data: Experimental Comparison of Representations and Distance
Measures. In: VLDB Endowment, p. 1542-1552, 2008.

DOORENBOS, J.; KASSAM, A. H. Yield response to water. Roma: FAO, 1979. 193p. (FAO:
Irrigation and drainage, n.33).

DOORENBOS, J.; KASSAM, A. H. Efeito da água no rendimento das culturas. Tradução


de Gheyi H. R.; Sousa, A. A.; Damasceno, F. A. V.; Medeiros, J.F. Campina Grande:
Universidade Federal da Paraíba, 1994. 306p.

ELMASRI, R.; NAVATHE, S. B. Fundamentals of Database Systems, Sixth ed. Boston:


Addison-Wesley, 2010.

169
EMERY, W. J.; BALDWIN, D.; MATTGEWS, D. Maximum cross correlation automatic
satellite image navigation and attitude corrections for open-ocean image navigation. IEEE
Transactions on Geoscience and Remote Sensing, v.41, n.1, p.33-42, 2003.

ESQUERDO, J.C.D.M. Utilização de perfis multi-temporais do NDVI/AVHRR no


acompanhamento da safra de soja no oeste do Paraná. 2007. 168p. Tese (Doutorado em
Engenharia Agrícola) – Faculdade de Engenharia Agrícola, Universidade Estadual de
Campinas, Campinas, 2007.

ESQUERDO, J.C.D.M.; ANTUNES, J.F.G.; BALDWIN, D.G; EMERY, W.; ZULLO JR, J.
An automatic system for AVHRR land surface product generation. International Journal of
Remote Sensing, v.27, n.18, p.3925-3942, 2006.

FAYYAD, U. M., PIATETSKY-SHAPIRO, G., SMYTH, P., and UTHURUSAMY, R.


Advances in Knowledge Discovery and Data Mining. MIT Press, Cambridge, MA, USA,
1996.

FAGUNDES, J. D.; STRECK, N.A., BISOGNIN, D.A.; SCHWANTES, A.P.; ALBERTO,


C.M. Produtividade simulada de tubérculos de batata em cenários de mudanças climáticas.
Pesq. agropec. bras., Brasília, v. 45, n. 4, p.351-360, abr., 2010.

FARIAS, J. R.; ASSAD, E. D.; ALMEIDA, I. R.; EVANGELISTA, B. A.; AZZAROTTO,


C.; NEUMAIER, N.; NEPOMUCENO, A. L. Caracterização de risco de déficit hídrico nas
regiões produtoras de soja no Brasil. Revista Brasileira de Agrometeorologia, Passo Fundo,
v.9, n.3, p.415-421, 2001. Número especial.

GIORGI, F.; BATES, G. T.; NIEMAN, S. J. The multi-year surface climatology of a regional
atmospheric model over the western United States, J. Climate, v. 6, 75-95,1993a.

GIORGI, F., MARINUCCI, M. R.; BATES, G. T. Development of a second generation


regional climate model (regcm2) Boundary layer and radioactive transfer processes, Mon.
Wea. Rev., v. 121, p. 2794-2813. 1993b.

GONÇALVES, R. R. V.; NASCIMENTO, C. R.; ZULLO JR., J.; ROMANI, L. A. S.


Relationship between the spectral response of sugar cane, based on AVHRR/NOAA satellite
images, and the climate condition, in the state of São Paulo (Brazil), from 2001 to 2008. In:
International Workshop on the Analysis of Multi-temporal Remote Sensing images
(MultiTemp), 5, 2009, Groton. Proceedings… 2009, p. 315-322.

170
GONÇALVES, R. R. V.; ROMANI, L. A. S.; ZULLO JUNIOR, J.; ÁVILA, A. M. H.;
TRAINA, A. J. M. Análise temporal de municípios produtores de cana-de-açúcar no estado de
São Paulo por meio de agrupamento do NDVI (AVHRR/NOAA) e dados de produtividade e
área. In: XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, 2011, Curitiba, PR.
Anais - SBSR, 2011a. p. 591-598.

GONÇALVES, R. R. V.; ZULLO JUNIOR, J.; FERRARESSO C. S.; SOUSA, E. P.;


ROMANI, L. A. S.; TRAINA, A. J. M. Analysis of NOAA/AVHRR multitemporal images,
climate conditions and cultivated land of sugarcane fields applied to agricultural monitoring.
In: 6º International Workshop on the Analysis of Multi-Temporal Remote Sensing Images,
2011, Trento. Multitemp Proceedings, 2011b.

GONÇALVES, R. R. V.; COLTRI, P. P.; AVILA, A. M. H.; ROMANI, L. A. S.; ZULLO


JUNIOR, J.; PINTO, H. S. Análise comparativa do clima atual e futuro para avaliar a
expansão de cana-de-açúcar em São Paulo. In: XVII Congresso Brasileiro de
Agrometeorologia, 2011, Guarapari - ES. Anais XVII CBAgro, 2011c.

GONÇALVES, R. R. V.; ZULLO Jr, J.; ROMANI, L. A. S.; NASCIMENTO, C. R.;


TRAINA, A. J. M. Analysis of NDVI time series using cross-correlation and forecasting
methods for monitoring sugarcane fields in Brazil. International Journal of Remote
Sensing, 33:15, pp. 4653-4672, 2012a.

GONÇALVES, R. R. V.; COLTRI, P. P.; ZULLO JUNIOR, J.; ROMANI, L. A. S. EVI'S


estimation to improve the monitoring of sugarcane using TRMM satellite data. In: IEEE
Geosciense and Remote Sensing Symposium (IGARSS 2012), 2012, Trento, Italia.
Proceedings IEEE (IGARSS 2012), 2012b. v. 1. p. 6609-6612.

GONÇALVES, R. R. V.; ZULLO JUNIOR, J.; COLTRI, P. P.; AVILA, A. M. H.; AMARAL,
B. F.; SOUSA, E. P. M.; ROMANI, L. A. S. Relação entre o índice EVI e dados de
precipitação nas áreas de plantio de cana-de-açúcar na região central do Brasil. In: 4º Simpósio
de Geotecnologias no Pantanal - Geopantanal, 2012, Bonito, MS. Anais - Geopantanal, 2012c.
p. 1054-1063.

GONÇALVES, R. R. V.; ZULLO JUNIOR, J.; MARQUEZINI, O.; AMARAL, B. F.;


SOUSA, E. P. M.; ROMANI, L. A. S. Análise da relação entre os perfis de NDVI obtidos dos
sensores AVHRR/NOAA e MODIS nas áreas produtoras de cana-de-açúcar em São Paulo. In:
XVI Simpósio Brasileiro de Sensoriamento Remoto - SBSR, 2013, Foz do Iguaçu, PR. Anais
- SBSR, 2013. p. 640-647.

GOODRUM, G.; KIDWELL, K. B.; WINSTON, W. (Eds). NOAA KLM user’s guide.
Washington, D.C.: NOAA/NESDIS/NCDC/CSD/SSB, 2001.

171
GORDON, C.; COOPER, C.; SENIOR, C.A.; BANKS, H.; GREGORY, J.M.; JOHNS, T.C.;
MITCHELL, J.F.B.; WOOD, R.A. The simulation of SST, sea ice extents and ocean heat
transport in a version of the Hadley Centre coupled model without flux adjustments. Climate
Dynamics, Germany, v.16, n.2-3, p.147-168, 2000.

GOUVÊA, J. R. F. Mudanças climáticas e a expectativa de seus impactos na cultura da


cana-de-açúcar na região de Piracicaba, SP. 2008. Dissertação (Mestrado em Agronomia) –
Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo, Piracicaba, 2008.

HAIR JR, J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E.; TATHAM, R. L. Análise
Multivariada de Dados. Tradução Adonai Schlup Sant’Anna. 6ed. Porto Alegre: Bookman,
2009. 688p.

HALL, M.; FRANK, E.; HOLMES, G.; PFAHRINGER, B.; REUTEMANN, P.; WITTEN, I.
H. The WEKA Data Mining Software: An Update; SIGKDD Explorations, v.11, i.1, 2009.

HAMADA, E.; ALMEIDA, E. G.; LANA, J. T. O.; SILVA, D. C. V. Sistema de visualização


do balanço hídrico climatológico do Brasil. In: CONGRESO LATINOAMERICANO Y DEL
CARIBE DE INGENIERÍA AGRÍCOLA, 10.; CONGRESSO BRASILEIRO DE
ENGENHARIA AGRÍCOLA, 42., 2012, Londrina. Anais. Londrina: Associação Brasileira de
Engenharia Agrícola, 2012.

HAN, J.; KAMBER, M. Data Mining - Concepts and Techniques. 2nd Edition ed. New
York: Morgan Kaufmann Publishers, 2006, 770p.

HAN, J.; KAMBER, M.; TUNG, A. K. H. Spatial Clustering Methods in Data Mining: A
Survey. In: Geographic Data Mining and Knowledge Discovery, H. J. Miller and J. Han
(Editors), p. 201-230, Taylor and Francis, 2001.

HUCEK, R.; JACOBOWITZ, H. Impact of scene dependence on AVHRR albedo models.


Journal of Atmospheric and Oceanic Technology, v.12, p.697-711, 1995.

IPCC. Climate change 2007: Fourth assessment report (AR4). Intergovernmental Panel on
Climate Change, 2007.

IPCC. Climate change 2013: Fifth assessment report (AR5). Intergovernmental Panel on
Climate Change, 2013.

172
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Sistema IBGE de
Recuperação Automática - SIDRA. Disponível em: < http://www.sidra.ibge.gov.br/>.
Acesso em: 23 outubro 2013.

JAIN, A. K. Data clustering: 50 years beyond K-Means. Pattern Recognition Letters,


Elsevier, n.31, pp.651-666, 2010

JENSEN, M. E. Water consumption by agricultural plants. In: KOSLOWSKY, T. T. Water


deficits and Plant Growth. New York: Academic Press, v.2, 1968.

JULEA, A.; MEGER, N.; RIGOTTI, C.; TROUVE, E.; JOLIVET, R.; BOLON, P. Efficient
Spatio-temporal Mining of Satellite Image Time Series for Agricultural Monitoring.
Transactions on Machine Learning and Data Mining, v. 5, n.1, p.23-44, 2012.

JUSTICE, C.O.; HIERNAUX, P.H.Y. Monitoring the glasslands of the Sahel using NOAA
AVHRR data: Niger, 1983. International Journal of Remote Sensing, v.7, n.11, p.1475-
1498, 1986.

KAMPEL, M. Características gerais dos satélites NOAA: histórico, instrumentos e


comunicação de dados. In: FERREIRA, N. J. (Ed.) Aplicações ambientais brasileiras dos
satélites NOAA e TIROS-N. São Paulo: Oficina de Textos, 2004. 271p.

KOHONEN, T. Self-organized formation of topologically correct feature maps. Biological


Cybernetics, 43:59-69. 1982.

KOHONEN, T. Self-Organizing Maps. Third Extended Edition, Springer Series, Information


Sciences, 30, 2001. 501p.

LI, J.; NARAYANAN, R. M. Integrated spectral and spatial information mining in remote
sensing imagery. IEEE Transactions on Geoscience and Remote Sensing, v.42, n.3, p. 673-
685, 2004.

LIANG, S. Narrowband to broadband conversions of land surface albedo – I Algorithms.


Remote Sensing of Environment, v.76, p.213-238, 2002.

MALUF, J. R.; CUNHA, G. R.; MATZENAUER, R.; PASINATO, A.; MOREIRA, M. B.;
CAIAFFO, M. R.; PIRES, J. L. Zoneamento de riscos climáticos para a cultura do milho no

173
Estado do Rio Grande do Sul. Revista Brasileira de Agrometeorologia, Passo Fundo, v. 9, n.
3, p. 460-467, 2001. Número especial.

MARENGO, J. A. Mudanças climáticas globais e regionais: avaliação do clima atual do Brasil


e projeções de cenários climáticos do futuro. Revista Brasileira de Meteorologia, Rio de
Janeiro, v.16, n.1, p.1-18, 2001.

MARENGO, J. A.; CHOU, S. C.; KAY, G.; ALVES, L. M.; PESQUERO, J. F.; SOARES, W.
R.; SANTOS, D. C.; LYRA, A. A.; SUEIRO, G.; BETTS, R.; CHAGAS, D. J; GOMES, J. L.;
BUSTAMENTE, J. F.; TAVARES, P. Development of regional future climate change
scenarios in South America using the Eta CPTEC/HadCM3 climate change projections:
climatology and regional analyses for the Amazon, São Francisco and the Paraná River basins.
Climate Dynamics, Germany, v.37, n.3/4, 2011.

MARENGO, J. A.; SOARES, W. R. Impacto das mudanças climáticas no Brasil e possíveis


futuros cenários climáticos: síntese do terceiro relatório do IPCC. In: TUCCI, C. E. M.;
BRAGA, B. (Ed.). Clima e recursos hídricos no Brasil. Porto Alegre: ABRH, 2003. O. 209-
242.

MARIN, F. R.; JONES, J. W.; SINGELS, A.; ROYCE, F.; ASSAD, E. D.; PELLEGRINO, G.
Q.; JUSTINO, F. Climate change impacts on sugarcane attainable yield in southern Brazil.
Climatic Change, published online: 25 August 2012.

MARTINELLI, L. A.; FILOSO, S. Expansion of sugarcane ethanol production in Brazil:


environmental and social challenges. Ecological Applications, v. 18, n.4, p.885-898, 2008.

MESINGER, F.; JANJIC, Z. I.; NICKOVIC, S.; GAVRILOV, D.; e DEAVEN, D. G. The
step-mountain coordinate: Model description and performance for cases of Alpine lee
cyclogenesis and for a case of Appalachian redevelopment. Mon. Wea. Rev., 116, 1493-1518.
1988.

MORETTIN, P. A.; TOLOI, C. M. C. Análise de séries temporais. Editora Edgard Blucher


Ltda., São Paulo, SP, Brasil, 2ª edição, 2006.

NASCIMENTO, C. R.; GONÇALVES, R. R. V.; ZULLO JR., J.; ROMANI, L. A. S.


Estimation of sugar cane productivity using a time series of AVHRR/NOAA-17 images and a
phenology-spectral model. In: International Workshop on the Analysis of Multi-temporal
Remote Sensing images (MultiTemp), 5, 2009, Groton. Proceedings… 2009, p. 365-372.

174
NG, R. T.; HAN, J. CLARANS: A Method for Clustering Objects for Spatial Data Mining.
IEEE Transactions on Knowledge and Data Engineering, v.14, n.5, p.1003-1006, 2002.

OMETTO, J. C. Frequência de irrigação em cana-de-açúcar. Piracicaba: FEALQ, 1988.


77p.

OUAIDRARI, H.; GOWARD, S. N.; CZAJKOWSKI, K. P.; SOBRINO, J. A.; VERMOTE,


E. Land surface temperature estimation from AVHRR thermal infrared measurements: An
assessment for the AVHRR Land Pathfinder II data set. Remote Sensing of Environment,
v.81, n.1, p.114-128, 2002.

PBMC. Contribuição do Grupo de Trabalho 2 ao Primeiro Relatório de Avaliação Nacional do


Painel Brasileiro de Mudanças Climáticas. Sumário Executivo do GT2. PBMC, Rio de
Janeiro, Brasil, 2013. 28p.

PEREIRA, A. R.; ANGELOCCI, L. R.; SENTELHAS, P. C. Agrometeorologia:


Fundamentos e aplicações práticas. Guaíba: Agropecuária, 2002. 478p.

PINTO, H. S.; ASSAD, E. D. Aquecimento global e a nova geografia da produção agrícola


no Brasil, Campinas, SP. 2008. 83p.

PINTO, H. S., ORTOLANI, A. A., ALFONSI, R. R. Estimativa das temperaturas médias


mensais do Estado de São Paulo em função de altitude e latitude. São Paulo: IG/USP,
Ciências da Terra, caderno 23, 20p., 1972.

PRINCE, J.C. Estimating leaf area index from satellite data. IEEE Transactions on
Geoscience and Remote Sensing, v.31, n.3, p.727-734, 1993.

RAO, C. R. N.; CHEN, J. Post-launch calibration of the visible and near-infrared channels of
the Advanced Very High Resolution Radiometer on the NOAA-14 spacecraft. International
Journal of Remote Sensing, v.17, p.2743-2747, 1996.

ROLIM, G.S., SENTELHAS, P.C., BARBIERI, V. Planilhas no ambiente EXCEL TM para os


cálculos de balanços hídricos: normal, sequencial, de cultura e de produtividade real e
potencial. Revista Brasileira de Agrometeorologia, Santa Maria, v.6, n.1, p.133-137,1998

ROMANI, L. A. S. Integrating time series mining and fractals to discover patterns and
extreme events in climate and remote sensing databases. 2010. 179p. Tese (Doutorado em

175
Ciências Matemáticas e de Computação). Universidade de São Paulo (USP- São Carlos),
2010.

ROMANI, L. A. S.; GONÇALVES, R. R. V.; ZULLO JR., J.; TRAINA JR., C.; TRAINA, A.
J. M. New DTW-Based method to similarity search in sugar cane regions represented by
climate and remote sensing time series. In: International Geosciense and Remote Sensing
Symposium (IGARSS), 2010, Honolulu. Proceedings... 2010. p. 355-358.

ROMANI, L. A. S.; GONÇALVES, R. R. V.; AMARAL, B. F.; ZULLO JUNIOR, J.;


TRAINA JR, C.; SOUSA, E. P.; TRAINA, A. J. M. Acompanhamento de safras de cana-de-
açúcar por meio de técnicas de agrupamento em séries temporais de NDVI. In: XV Simpósio
Brasileiro de Sensoriamento Remoto - SBSR, 2011, Curitiba, PR. Anais - SBSR, 2011a. p.
383-390.

ROMANI, L. A. S.; GONÇALVES, R. R. V.; AMARAL, B. F.; CHINO, D. Y. T.; ZULLO


JUNIOR, J.; TRAINA JR, C.; SOUSA, E. P.;TRAINA, A. J. M. Clustering analysis applied to
NDVI/NOAA multitemporal images to improve to monitoring process of sugarcane crops. In:
6º International Workshop on the Analysis of Multi-Temporal Remote Sensing Images, 2011,
Trento. Multitemp Proceedings, 2011b.

ROSBOROUGH, G. W.; BALDWIN, D. G.; EMERY, W. J. Precise AVHRR image


navigation. IEEE Transactions on Geoscience and Remote Sensing, v.32, n.3, p.644-657,
1994.

ROUSE, J.W.; HAAS, R.H.; SCHELL, J.A.; DEERING, D.W. Monitoring vegetation systems
in the great plains with ERTS. In: Earth Resources Technology Satellite-1 Symposium, 3.,
Washington, 1973. Proceedings… Washington: NASA, v.1, p.309-317, 1973.

RUDORFF, B. F. T.; ADAMI, M.; AGUIAR, D. A. D.; GUSSO, A.; SILVA, W. F. D.;
FREITAS, R. M. D. Temporal series of evi/modis to identify land converted to sugarcane. In:
IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 2009, Cape
Town. Proceedings… IEEE, 2009, p. 252-255.

RUDORFF, B. F. T.; AGUIAR, D. A. D.; SILVA, W. F. D.; SUGAWARA, L. M.; ADAMI,


M.; MOREIRA, M. A. Studies on the rapid expansion of sugarcane for ethanol production in
São Paulo state (Brazil) using Landsat data. Remote sensing, v. 2, p.1057-1076, 2010.

SANS, L. M. A.; ASSAD, E. D.; GUIMARÃES, D. P.; AVELLAR, G. Zoneamento de riscos


climáticos do milho para a região Centro-Oeste do Brasil e para o estado de Minas Gerais.

176
Revista Brasileira de Agrometeorologia, Passo Fundo, v.9, n.3, p.527-535, 2001. Número
especial.

SCARPARI, M. S.; BEAUCLAIR, E. G. F. Sugarcane maturity estimation through


edaphicclimatic parameters. Scientia Agricola, v.13, n.8, p.8, 2004.

SEILER, R.; GLOAGUEN, R. (Non-) linear phenological trends in an ecosystem with


multiple growing seasons derive from AVHRR-NDVI time series. In: IEEE International
Geoscience and Remote Sensing Symposium (IGARSS), 2012, Munich. Proceedings…
IEEE, 2012, p. 6789-6792.

SENAY, G.B.; ELLIOT, R.L. Capability of AVHRR data in discriminating rangeland cover
mixtures. International Journal of Remote Sensing, v.23, n.2, p.299-312, 2002.

SILVA, M. T.; SILVA, V. de P. R. da; AZEVEDO, P. V. de. O cultivo do algodão herbáceo


no sistema de sequeiro no Nordeste do Brasil, no cenário de mudanças climática. Rev. bras.
eng. agríc. ambient., Campina Grande, v. 16, n. 1, p. 80-91 , 2012 .

SILVA, J. P.; ROMANI, L. A. S. Automação da determinação do balanço hídrico


climatológico para diversas localidades utilizando dados espaciais. Mostra dos estagiários e
bolsistas da Embrapa Informática Agropecuária, 2013.

SOBRINO, J.A.; RAISSOUNI, N.; LOBO, A. Monitoring the Iberian Penninsula land cover
using NOAA-AVHRR data. In Guyot & Phulpin (Eds.). Physical Measurements and
Signatures in Remote Sensing, p.787-794, Rotterdam: Balkema, 1997.

SONG, J.; GAO, W. An improved method to derive surface albedo from narrowband AVHRR
satellite data: narrowband to broadband conversion. Journal of Applied Meteorology, v.38,
p.239-249, 1999.

STRECK, N.A.; ALBERTO, C.M. Estudo numérico do impacto da mudança climática sobre o
rendimento de trigo, soja e milho. Pesquisa Agropecuária Brasileira, Brasilia, v.41, n.9,
p.1351-1359, 2006.

THORNTHWAITE, C.W.; MATHER, J.R. The water balance. Climatology, v.8, n.1, 104p.,
1955.

177
TRISHCHENKO, A. P. Effects of spectral response function on surface reflectance and NDVI
measured with moderate resolution satellite sensors: Extension to AVHRR NOAA-17, 18 and
METOP-A. Remote Sensing of Environment, v.113, pp. 335-341, 2009.

ULIVIERI, C.; CASTRONUOVO, M. M.; FRANCIONI, R.; CARDILLO, A. A split window


algorithm for estimating land surface temperature from satellites. Advances in Space
Research, v.14, n.3, p.59-65, 1994.

UNIÃO DA AGROINDÚSTRIA CANAVIEIRA DE SÃO PAULO (UNICA). Produção da


cana-de-açúcar no Brasil. 2011. Disponível em:
<http://www.unica.com.br/dadosCotacao/estatistica/> Acesso em: 10 janeiro 2011.

UNIÃO DA AGROINDÚSTRIA CANAVIEIRA DE SÃO PAULO (UNICA). Produção da


cana-de-açúcar no Brasil. 2013. Disponível em:
<http://www.unica.com.br/dadosCotacao/estatistica/> Acesso em: 15 janeiro 2014.

VIEIRA, M. A.; FORMAGGIO, A. R.; RENNÓ, C. D.; ATZBERGER, C.; AGUIAR, D. A.;
MELLO, M. P. Object Based Image Analysis and Data Mining Applied to a Remotely Sensed
Landsat Time-Series to Map Sugarcane Over Large Areas. Remote Sensing of Environment,
n.123, p.553-562, 2012

VINTROU, E.; IENCO, D.; BÉGUÉ, A.; TEISSEIRE, M. Data Mining, A Promising Tool for
Large-Area Cropland Mapping. IEEE Journal of Selected Topics in Applied Earth
Observations and Remote Sensing, p.1-7, 2012.

VU, J.C.V.; ALLEN Jr., L.H.; e GESCH, R.W. Up-regulation of photosynthesis and sucrose
metabolism enzymes in young expanding leaves of sugarcane under elevated growth CO2.
Plant Science, 171:123-131. 2006.

WANG, Q.; ADIKU, S.; TENHUNEN, J.; GRANIER, A. On the relationship of ndvi with leaf
area index in a deciduous forest site. Remote Sensing of Environment, v. 94, n.2, p.244-255,
2005.

WYDICK, J.; DAVIES, P.; GRUBER, A. Estimation of broadband planetary albedo from
operational narrowband satellite measurements. NOAA Technical Report, NESDIS 27, 32p.,
1987.

ZULLO JR., J, PINTO H.S., ASSAD E.D, Impact assessment study of climate change on
agricultural zoning. Meteorol Appl, Wiley, United Kingdom, v. 13, pp.69-80, 2006.

178
ZULLO JR., J., PINTO, H.S., ASSAD, E.D., ÁVILA, A.M.H. Potential for growing Arabica
coffee in the extreme south of Brazil in a warmer world. Climatic Change, Springer,
Netherlands, v.10, pp.535-548, 2011.

179
180
APÊNDICE

Figura 63: Tela inicial do sistema SatImagExplorer.

Figura 64: Agrupamentos de área plantada do conjunto #1.

181
Figura 65: Agrupamentos de produtividade do conjunto #1.

Figura 66: Agrupamentos de NDVI máximo do conjunto #1.

182
Figura 67: Agrupamentos de Produtividade do conjunto #2.

Figura 68: Agrupamentos de NDVI máximo do conjunto #2.

183
Figura 69: Agrupamentos de área plantada do conjunto #3.

Figura 70: Agrupamentos de produtividade do conjunto #3.

184
Figura 71: Agrupamentos de NDVI máximo do conjunto #3.

Figura 72: Agrupamentos de precipitação do conjunto #3.

185
Figura 73: Agrupamentos de temperatura máxima do conjunto #3.

Figura 74: Agrupamentos de temperatura mínima do conjunto #3.

186
Figura 75: Agrupamentos de produtividade do conjunto #4.

Figura 76: Agrupamentos de NDVI máximo do conjunto #4.

187
Figura 77: Agrupamentos de precipitação do conjunto #4.

Figura 78: Agrupamentos de temperatura máxima do conjunto #4.

188
Figura 79: Agrupamentos de temperatura mínima do conjunto #4.

Figura 80: Intervalos mínimo, médio e máximo mensais do agrupamento K-Means (grupos 1
e 2) de NDVI do ano-safra 2002/2003.

189
Tabela 35: Coeficientes de correlação de Spearman em relação ao NDVI.
Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 1 - - 0,770 -0,744 -0,652 0,639 -0,514 -0,709 - -
02/03 1 - - 0,791 - 0,840 - -0,574 0,756 - 0,644
03/04 1 - - 0,752 - 0,684 0,383 - 0,607 -0,421 0,746
04/05 1 - - - -0,511 0,818 0,560 -0,598 0,801 -0,481 -
05/06 1 -0,610 -0,520 0,921 0,698 0,408 - - - 0,829 0,674
06/07 1 -0,750 -0,693 0,566 -0,565 -0,814 0,513 - -0,806 - -
07/08 1 -0,647 -0,629 - - 0,389 - - 0,504 -0,664 -
08/09 1 - - 0,665 - - -0,531 0,604 - - 0,660
09/10 1 -0,717 -0,636 0,607 -0,511 - 0,592 -0,587 - -0,742 -0,883
P-valor = <0,05
Tabela 36: Coeficientes de correlação de Spearman em relação a área plantada de cana-de-açúcar.
Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 - 1 0,980 -0,520 - 0,393 - -0,446 0,401 - -
02/03 - 1 0,971 - -0,526 - 0,590 -0,807 - - -
03/04 - 1 0,977 0,410 -0,635 0,775 0,437 - 0,696 - 0,422
04/05 - 1 0,939 - - - - - 0,403 -0,562 -
05/06 -0,610 1 0,993 -0,702 - -0,492 - - - -0,758 -
06/07 -0,750 1 0,993 - 0,555 0,809 - - 0,726 - 0,477
07/08 -0,647 1 0,987 0,419 0,385 - - - - 0,382 0,484
08/09 - 1 0,952 - - - - - - - -
09/10 0,717 1 0,988 - - - -0,485 0,512 - - 0,442
P-valor = <0,05

190
Tabela 37: Coeficientes de correlação de Spearman em relação a produção de cana-de-açúcar.
Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 - 0,980 1 - - - - -0,425 - - -
02/03 - 0,971 1 - -0,512 0,454 0,585 -0,883 - - -
03/04 - 0,977 1 0,593 -0,670 0,845 0,514 - 0,743 - 0,522
04/05 - 0,939 1 - - - - - 0,547 -0,532 -
05/06 -0,520 0,993 1 -0,613 - -0,409 - - - -0,683 -
06/07 -0,693 0,993 1 - 0,504 0,758 - - 0,661 - 0,451
07/08 -0,629 0,987 1 0,548 0,430 - - 0,378 - 0,408 0,556
08/09 - 0,952 1 0,577 - -0,462 -0,445 0,456 - - 0,481
09/10 -0,636 0,988 1 - - - -0,411 0,468 - - -
P-valor = <0,05

Tabela 38: Coeficientes de correlação de Spearman em relação a produtividade de cana-de-açúcar.


Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 0,770 -0,520 - 1 - -0,622 - - -0,674 - -
02/03 0,791 - - 1 - 0,518 - -0,478 - - -
03/04 0,752 0,410 0,593 1 -0,412 0,707 0,530 - 0,569 -0,387 0,694
04/05 - - - 1 0,538 - -0,520 0,441 0,400 - 0,463
05/06 0,921 -0,720 -0,613 1 0,571 - - - - 0,915 0,563
06/07 0,566 - - 1 -0,386 -0,460 0,419 - -0,544 -0,427 -
07/08 - 0,419 0,548 1 0,616 - -0,703 0,572 - 0,393 0,753
08/09 0,665 - 0,577 1 0,629 -0,664 -0,883 0,806 -0,433 -0,512 0,878
09/10 0,607 - - 1 -0,394 - 0,496 - -0,472 -0,594 -0,427
P-valor = <0,05

191
Tabela 39: Coeficientes de correlação de Spearman em relação temperatura do ar.
Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 -0,744 - - - 1 - -0,804 0,852 - 0,679 0,434
02/03 - -0,526 -0,512 - 1 - -0,729 0,593 - - 0,391
03/04 - -0,635 -0,670 -0,412 1 -0,580 -0,707 0,766 -0,530 - -
04/05 -0,511 - - 0,538 1 -0,793 -0,977 0,981 - 0,586 0,745
05/06 0,698 - - 0,571 1 - -0,609 0,722 - 0,570 0,942
06/07 -0,565 0,555 0,504 -0,386 1 0,841 - 0,389 0,825 -0,588 0,926
07/08 - 0,385 0,430 0,616 1 -0,440 -0,886 0,978 - 0,713 0,941
08/09 - - - 0,629 1 -0,533 -0,840 0,631 -0,534 - 0,781
09/10 -0,511 - - -0,394 1 - -0,859 0,832 - 0,536 0,764
P-valor = <0,05

Tabela 40: Coeficientes de correlação de Spearman em relação a precipitação.


Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 -0,652 0,393 - -0,622 - 1 -0,448 - 0,986 -0,425 -
02/03 0,840 - 0,454 0,518 - 1 - -0,731 0,852 - 0,671
03/04 0,684 0,775 0,845 0,707 -0,580 1 0,544 - 0,895 - 0,764
04/05 0,818 - - - -0,793 1 0,819 -0,787 0,779 -0,495 -
05/06 0,408 -0,492 -0,490 - - 1 0,720 -0,567 0,797 - -
06/07 -0,814 0,806 0,758 -0,460 0,841 1 -0,500 0,453 0,969 - 0,725
07/08 0,389 - - - -0,440 1 - - 0,944 -0,684 -
08/09 - - -0,462 -0,664 -0,533 1 0,708 -0,728 0,923 0,493 -0,596
09/10 - - - - - 1 0,566 -0,660 0,863 - -
P-valor = <0,05

192
Tabela 41: Coeficientes de correlação de Spearman em relação ao ISNA.
Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 0,639 - - - -0,804 -0,448 1 -0,918 -0,468 - -
02/03 - 0,590 0,585 - -0,729 - 1 -0,611 -0,447 -0,608 -
03/04 0,383 0,437 0,514 0,530 -0,707 0,544 1 -0,877 - - -
04/05 0,560 - - -0,520 -0,977 0,819 1 -0,951 0,420 -0,590 -0,647
05/06 - - - - -0,609 0,720 1 -0,932 0,568 - -0,559
06/07 0,513 - - 0,419 - -0,500 1 -0,875 -0,634 - -
07/08 - - - -0,703 -0,886 - 1 -0,906 - 0,560 -0,947
08/09 -0,531 - -0,445 -0,883 -0,840 0,708 1 -0,925 0,533 0,520 -0,974
09/10 0,592 -0,485 -0,411 0,496 -0,859 0,566 1 -0,963 - -0,407 -0,695
P-valor = <0,05

Tabela 42: Coeficientes de correlação de Spearman em relação a deficiência hídrica.


Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 -0,514 -0,446 -0,425 - 0,852 - -0,918 1 - 0,489 -
02/03 -0,574 -0,807 -0,883 -0,478 0,593 -0,731 -0,611 1 - - -
03/04 - - - - 0,766 - -0,877 1 - - -
04/05 -0,598 - - 0,441 0,981 -0,787 -0,951 1 -0,387 0,628 0,799
05/06 - - - - 0,722 -0,567 -0,932 1 - - 0,680
06/07 - - - - 0,389 0,453 -0,875 1 0,559 -0,498 0,399
07/08 - - - 0,572 0,978 - -0,906 1 - 0,635 0,924
08/09 0,604 - 0,456 0,806 0,631 -0,728 -0,925 1 -0,515 -0,575 0,918
09/10 -0,587 0,512 0,468 - 0,832 -0,660 -0,963 1 - - 0,717
P-valor = <0,05

193
Tabela 43: Coeficientes de correlação de Spearman em relação ao excedente hídrico.
Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 -0,709 0,401 - -0,674 - 0,986 -0,468 - 1 - -
02/03 0,756 - - - - 0,852 -0,447 - 1 0,526 0,763
03/04 0,607 0,696 0,743 0,569 -0,530 0,895 - - 1 - 0,787
04/05 0,801 0,403 0,547 0,400 - 0,779 0,420 -0,387 1 -0,507 -
05/06 - - - - - 0,797 0,568 - 1 - -
06/07 -0,806 0,726 0,661 -0,544 0,825 0,969 -0,634 0,559 1 - 0,679
07/08 0,504 - - - - 0,944 - - 1 -0,577 -
08/09 - - -0,399 -0,433 -0,534 0,923 0,533 -0,515 1 0,392 -
09/10 - - - -0,472 - 0,863 - - 1 0,625 -
P-valor = <0,05

Tabela 44: Coeficientes de correlação de Spearman em relação ao albedo.


Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 - - - - 0,679 -0,425 - 0,489 - 1 -
02/03 - - - - - - -0,608 - 0,526 1 -
03/04 -0,421 - - -0,387 - - - - - 1 -0,579
04/05 -0,481 -0,562 -0,532 - 0,586 -0,495 -0,590 0,628 -0,507 1 0,603
05/06 0,829 -0,758 -0,683 0,915 0,570 - - - - 1 0,464
06/07 - - - -0,427 -0,588 - - -0,498 - 1 -0,773
07/08 -0,664 0,382 0,408 - 0,713 -0,684 -0,560 0,635 -0,577 1 0,641
08/09 - - - -0,512 - 0,493 0,520 -0,575 0,392 1 -0,452
09/10 -0,742 - - -0,594 0,536 - -0,407 - 0,625 1 0,829
P-valor = <0,05

194
Tabela 45: Coeficientes de correlação de Spearman em relação a temperatura de superfície.
Ano- Deficiência Excedente Temperatura
NDVI Área Produção Produtividade Temperatura Precipitação ISNA Albedo
safra Hídrica Hídrico de superfície
01/02 - - - - 0,434 - - - - - 1
02/03 0,644 - - - 0,391 0,671 - - 0,763 - 1
03/04 0,746 0,422 0,522 0,694 - 0,764 - - 0,787 -0,579 1
04/05 - - - 0,463 0,745 - -0,647 0,799 - 0,603 1
05/06 0,674 - - 0,563 0,942 - -0,559 0,680 - 0,464 1
06/07 - 0,477 0,451 - 0,926 0,725 - 0,399 0,679 -0,773 1
07/08 - 0,484 0,556 0,753 0,941 - -0,947 0,924 - 0,641 1
08/09 0,660 - 0,481 0,878 0,781 -0,596 -0,974 0,918 - -0,452 1
09/10 -0,883 0,442 - -0,427 0,764 - -0,695 0,717 - 0,829 1
P-valor = <0,05

195
A - Principais componentes - 2001/2002 B - Principais componentes - 2002/2003
Continua

196
C - Principais componentes - 2003/2004 D - Principais componentes - 2004/2005
Continua

197
E - Principais componentes - 2005/2006 F - Principais componentes - 2006/2007
Continua

198
G - Principais componentes - 2007/2008 H - Principais componentes - 2008/2009
Continua

199
I - Principais componentes - 2009/2010
Figura 81: Principais componentes obtidas pela análise de PCA no SOM no período de 2001/2002 a 2009/2010 (A a I).

200
Figura 82: Gráfico de deficiência hídrica máxima anual de cana-de-açúcar para a década de
2000.

Figura 83: Gráfico de excedente hídrico máximo anual de cana-de-açúcar para a década de
2000.

201
Figura 84: Gráfico de ISNA médio anual de cana-de-açúcar para a década de 2000.

Figura 85: Gráfico de precipitação total anual de cana-de-açúcar para a década de 2000.

202
Figura 86: Gráfico de temperatura média anual de cana-de-açúcar para a década de 2000.

Figura 87: Gráfico de NDVI máximo anual de cana-de-açúcar para a década de 2000.

203